10月28日(周一)21:00-21:40,集智图网络线上读书会将进行新一期的论文分享直播,欢迎感兴趣的朋友参与。
直播主题:
DeepGCNs: Making GCNs Go as Deep as CNNs
卷积神经网络(CNN)在各种领域取得了令人瞩目的成果。他们的成功得益于能够训练非常深的CNN模型的巨大推动力。 尽管取得了积极的成果,但CNN未能正确解决非欧几里德数据的问题。 为了克服这一挑战,利用图卷积网络(GCN)构建图来表示非欧几里德数据,并借用CNN的相关概念并应用它们来训练这些模型。 GCN显示出不错的结果,但由于梯度消失问题,它们仅限于非常浅的模型。因此,大多数最新型的GCN算法都不会超过3或4层。 作者提出了成功训练非常深层的GCN的新方法。他们借用CNN的概念,主要是residual / dense connections(残差、密集连接) 和 dilated convolutions(膨胀卷积、扩张卷积、空洞卷积) ,使它们能够适应GCN架构。
DeepGCNs: Making GCNs Go as Deep as CNNshttps://arxiv.org/abs/1910.06849
https://live.bilibili.com/8091531
图神经网络是深度学习领域的前沿热点议题,尤其是图网络(GraphNetworks)提出以来,深度学习有了实现因果推理的潜力。为了持续追踪相关领域的前沿进展,集智俱乐部联合北师大系统科学学院张江课题组,组织了以图网络为主题的线上读书会,研讨最新论文,孕育研究思路。码每一期线上读书会由一位成员主讲,形式为论文分享,时间为每周一21:00-21:40。加入读书会群需报名审核,原则上参与者应有能力独立完成一次线上分享。如果你也正在从事图网络与深度学习方面的研究工作或技术实践,或者对该领域有强烈的学习意愿,欢迎填写报名表,申请加入“集智图网络论文分享小组”! 报名请扫下方小程序码,填写报名表。填表之后会有入群方式。
- Hamiltonian Graph Networks with ODE Integrators
- https://arxiv.org/abs/1909.12790
http://campus.swarma.org/play/coursedetail?id=11020
http://campus.swarma.org/play/coursedetail?id=11013
http://campus.swarma.org/play/coursedetail?id=11017
商务合作及投稿转载|swarma@swarma.org
加入“没有围墙的研究所”
让苹果砸得更猛烈些吧!