【导读】卷积神经网络在处理图像、语音、文本等具有较好空间结构的数据时展现出了很好的优势。然而，卷积神经网络不能直接应用于图（Graph）这类空间结构不规则的数据上。近年来，研究人员开始研究如何将卷积神经网络迁移到图数据上，涌现出ChevNet、MoNet、GraphSAGE、GCN、GAT等一系列方法，在基于图的半监督分类和图表示学习等任务中表现出很好的性能。报告首先梳理和回顾该方向的主要研究进展和发展趋势，进而介绍报告人近期在图卷积神经网络方面的一些研究工作（ICLR’19; IJCAI’19）。
 6park.com

 6park.com
【作者简介】 6park.com
沈华伟，博士，中国科学院计算技术研究所研究员，中国中文信息学会社会媒体处理专委会副主任。主要研究方向：社交网络分析、网络数据挖掘。先后获得过CCF优博、中科院优博、首届UCAS-Springer优博、中科院院长特别奖、入选首届中科院青年创新促进会、中科院计算所“学术百星”。2013年在美国东北大学进行学术访问。2015年被评为中国科学院优秀青年促进会会员。获得国家科技进步二等奖、北京市科学技术二等奖、中国电子学会科学技术一等奖、中国中文信息学会钱伟长中文信息处理科学技术一等奖。出版个人专/译著3部，在网络社区发现、信息传播预测、群体行为分析等方面取得了系列研究成果，发表论文100余篇。担任PNAS、IEEE TKDE、ACM TKDD等10余个学术期刊审稿人和KDD、WWW、SIGIR、AAAI、IJCAI、CIKM、WSDM等20余个国际学术会议的程序委员会委员。 6park.com

 6park.com
【部分PPT】 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com
 6park.com

(本文转自专知AI网)