我们请来了2017 NIPS大会发文数全球前3的华人教授,讲解网络数据的表征学习(视频+PPT)

简介:

2017 NIPS大会可以算得上全球声量最大、出席人数最多的AI学术会议了。大会刚刚落下帷幕,不少媒体和社区都总结了本次会议相关数据,比如,大会发文数:

216e6bf98ac1d16df085fbab2ced0bc9de608e42

图:最有声望、出席人数最多的AI学术会议-NIPS 今年大会发表文章最多的作者排名。

来源:

https://unsupervisedmethods.com/nips-accepted-papers-stats-26f124843aa0

在发文量前三名中,唯一出现的华人是来自佐治亚理工大学计算科学与工程系终身副教授,机器学习中心副主任宋乐教授。

宋乐教授(Le Song)现任蚂蚁金服人工智能部首席工程师(Principle Engineer),他的主要研究方向是机器学习的大规模算法和高效系统,特别是使用核方法和深度学习方法的图模型的嵌入方法,以及静态和动态网络分析,人工智能、社会科学、计算生物学等跨学科领域里的大规模复杂问题的建模和求解。

前段时间,大数据文摘有幸邀请到宋乐教授为我们的读者分享他的研究成果:用Structure2Vec提取特征,解决网络数据的表征学习问题。

cd6713b1132e647d93c58a6ad18accf5980e7bdc

本次分享,宋乐教授介绍了一个强大的异构网络深度学习和推理平台:Stracture2Vec。有了它,我们可以更加容易和高效地解决复杂的网络表征学习问题。

9cf0218eb9ddaa221c506213238a1c3a8638cee9

宋乐教授从Structure2Vec平台后面的模型、算法、设计思想和大规模分布式实现的一些细节入手,介绍了它在推荐、营销、知识图谱推理、风控、安全等问题上的应用和效果。

af5ad44826d37b90bbf4b1d2fb783976d7a4d6bc

目前没有时间观看的同学可以先收藏课程,下拉看文摘菌总结的课程介绍和PPT▼▼▼

课程介绍

现实社会中的各种行为把整个世界编织成一个庞大而复杂的网络。人们日常的联系和交流行为构成了社交网络,互联网中的网页链接关系构成了万维网。

efc3a40ffbf411f554ffde39d356c3380313aec0

支付平台中的交易行为构成了交易网络和资金网络,人们日常的出行轨迹构成了交通网络,微观世界中的分子交互行为以及电子电路的传导行为同样也构成了美妙而复杂的网络关系。

fbc19619086e442f17473681f14e00dbddcddc82

如何从这些复杂的网络数据中提取有价值的特征?

这些网络形成的背后是否存在什么潜在的规律?

不同类型的网络之间又是如何互相影响和传导的呢?

要回答这些问题,一个强大的网络深度学习和推理平台尤为重要。

以前的深度学习模型如CNN和RNN,可以解决图像及文本上的表征学习,但是对网络数据却无能为力。

本次分享将介绍一个强大的异构网络深度学习和推理平台:Structure2Vec。有了它,我们可以更加容易和高效地解决上述复杂的网络表征学习问题。

Structure2Vec提供了一种能够同时整合节点特征,边特征,异构网络结构以及网络动态演化特征的深度学习和推理的嵌入技术,它不仅可以对网络中的节点和边进行推理,还可以对节点,边,甚至子图进行向量化(embedding)。

Structure2Vec产出的特征向量可以与其他机器学习方法进行再融合,比如分类方法、回归方法、生成模型及强化学习方法。

f53d39385a82c8f49ef7dfa52514e41a44c1c659


以下为本次分享PPT精华

526d540ce582392e196d14b3df66e846d0305661


原文发布时间为:2017-12-23

本文作者:文摘菌

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“大数据文摘”微信公众号

相关文章
|
3天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】32. 卷积神经网络之稠密连接网络(DenseNet)介绍及其Pytorch实现
【从零开始学习深度学习】32. 卷积神经网络之稠密连接网络(DenseNet)介绍及其Pytorch实现
|
3天前
|
机器学习/深度学习
【从零开始学习深度学习】33.语言模型的计算方式及循环神经网络RNN简介
【从零开始学习深度学习】33.语言模型的计算方式及循环神经网络RNN简介
【从零开始学习深度学习】33.语言模型的计算方式及循环神经网络RNN简介
|
3天前
|
机器学习/深度学习 自然语言处理 算法
【从零开始学习深度学习】49.Pytorch_NLP项目实战:文本情感分类---使用循环神经网络RNN
【从零开始学习深度学习】49.Pytorch_NLP项目实战:文本情感分类---使用循环神经网络RNN
|
3天前
|
机器学习/深度学习
【从零开始学习深度学习】37. 深度循环神经网络与双向循环神经网络简介
【从零开始学习深度学习】37. 深度循环神经网络与双向循环神经网络简介
|
3天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】31. 卷积神经网络之残差网络(ResNet)介绍及其Pytorch实现
【从零开始学习深度学习】31. 卷积神经网络之残差网络(ResNet)介绍及其Pytorch实现
|
3天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】30. 神经网络中批量归一化层(batch normalization)的作用及其Pytorch实现
【从零开始学习深度学习】30. 神经网络中批量归一化层(batch normalization)的作用及其Pytorch实现
|
3天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
|
3天前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】26.卷积神经网络之AlexNet模型介绍及其Pytorch实现【含完整代码】
【从零开始学习深度学习】26.卷积神经网络之AlexNet模型介绍及其Pytorch实现【含完整代码】
|
3天前
|
机器学习/深度学习 算法
m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真
摘要: 在MATLAB 2022a中,对比了电力负荷预测算法优化前后的效果。优化前为"Ttttttt111222",优化后为"Tttttttt333444",明显改进体现为"Tttttttttt5555"。该算法结合了粒子群优化(PSO)和长门控循环单元(GRU)网络,利用PSO优化GRU的超参数,提升预测准确性和稳定性。PSO模仿鸟群行为寻找最优解,而GRU通过更新门和重置门处理长期依赖问题。核心MATLAB程序展示了训练和预测过程,包括使用'adam'优化器和超参数调整,最终评估并保存预测结果。
6 0
|
3天前
|
机器学习/深度学习 算法 PyTorch
【从零开始学习深度学习】50.Pytorch_NLP项目实战:卷积神经网络textCNN在文本情感分类的运用
【从零开始学习深度学习】50.Pytorch_NLP项目实战:卷积神经网络textCNN在文本情感分类的运用

热门文章

最新文章