【GNN报告】GNN高效学习（含MLP和GNN联合学习）

目录

 亚利桑那州立大学丁凯泽：数据高效的图学习

数据高效的图学习 

图弱监督学习-弱标签

图自监督学习-合成标签

参考

德克萨斯农工大学韩霄天：MLPInit：迁移MLP的权重到GNN上！GNN 训练加速 

 上海交通大学杨晨晓：连接MLP与GNN：探讨图神经网络天生的强大泛化性

参考

华为云谢建东：MARINA：基于MLP和图学习的轻量级时序分析模型

参考

 亚利桑那州立大学丁凯泽：数据高效的图学习

摘要

现实世界中存在大量的图类型数据。图通常使用节点表示实体，使用边表示实体之间的关系，可以作为一种通用的数据结构用于建模大量复杂和异构的系统。尽管近几年深度图机器学习取得了巨大的成功，但现有方法的有效性严重依赖于高质量的图数据以及充分的人工标签所提供的监督信号，从而导致那些精心设计的模型在资源受限的场景中无法得到想要的效果。本次报告将重点探讨如何利用有限的标记数据进行数据高效的图学习。

分享嘉宾

丁凯泽，亚利桑那州立大学（ASU）计算机科学专业博士，师从刘欢教授。2023 年秋季将作为助理教授加入西北大学 （Northwestern）统计和数据科学学院。研究方向包括图神经网络，数据高效机器学习，以及它们在不同领域中的跨学科应用例如异常检测，自然语言处理。他在重要学术会议和期刊如KDD、WSDM、CIKM、ACL、AAAI、IJCAI、Web Conference、TNNLS等发表多篇论文，并曾在Amazon Alexa AI, Mircosoft Research以及Google Brain实习交流。他曾获ASU毕业奖学金、ASU研究生杰出研究奖、计算机系博士奖学金等荣誉和奖项。更多信息请参考https: