机器之心报道
作者：杜伟、陈萍
关于图神经网络（GNN）的在线课程已上线，讲师为宾夕法尼亚大学电气与系统工程系教授 Alejandro Ribeiro，部分视频以及文字讲稿已放出。
图神经网络（GNN）是对图形支持的信号进行信息处理的体系架构。这种架构已经被开发出来，并在一门在线课程中作为卷积神经网络（CNN）的泛化，用于处理时间和空间中的信号。
根据大家对神经网络和深度学习的了解，这句话听起来可能非常奇怪。CNN 不就是神经网络（NN）的一种特例吗？GNN 也应当如此吧？从严格意义上讲，它们确实是这样。但是，这门课程的重点在于涉及到高维信号的扩展问题。在这些设置中，NN 无法实现扩展，而 CNN 在时间和空间上为信号提供了可扩展学习，GNN 支持对图形支持的信号进行可扩展学习。
这是一门什么课程呢？这门课程由宾夕法尼亚大学电气与系统工程系教授 Alejandro Ribeiro 于 2020 年 8 月底开设，专门讲述图神经网络（GNN）。Ribeiro 的主要研究方向是将信号处理应用于网络研究，他的研究项目主要涉及无线网络的优化设计、分布式信号处理和优化、网络数据的结构化表示以及图形信号处理。
就课程内容而言，本课程主要探讨了图卷积滤波器和图滤波器组，研究了单特征和多特征图 GNN。此外，课程介绍了循环 GNN 等相关网络架构，并重点强调了 GNN 的置换等变性和图变形的稳定性。这些特性提供了一种可以从实证角度观察到 GNN 良好性能的解释方法。该课程还将研究大量节点中的 GNN，以解释 GNN 在不同节点数的网络中的可迁移性。
目前，该课程 Lecture 1 至 Lecture 5 的视频资源已经在 YouTube 和 B 站同时上线，对该主题感兴趣的读者可前往观看。
- YouTube 地址：https://www.youtube.com/channel/UC_YPrqpiEqkeGOG1TCt0giQ/playlists
- B 站地址：https://www.bilibili.com/video/av457264185/
课程详情
本课程为宾夕法尼亚大学开设的 2020 秋季在线课程。每周一早上将放出时长 40 至 60 分钟预先录制的授课视频，并且根据具体内容将每节课程分割成时长 3 至 10 分钟不等的不同模块。除了授课视频外，授课者还将提供课程的文字讲稿。
目前，该课程的前 5 节课程视频和文字讲稿已经放出，我们来看一下这几节课具体讲了哪些内容。
Lecture 1 讲述了本课程的学习目标以及解释 GNN 的重要性，还探讨了在可扩展性学习中利用结构的重要性以及卷积在欧几里得空间中处理信号时如何利用结构。此外，本节课还进一步解释了如何将卷积泛化至图，以及卷积神经网络到图（卷积）神经网络的泛化。
Lecture 2 更深入地解读了机器学习（ML）和人工智能（AI）的含义，并表示 ML 和 AI 是统计和经验风险最小化的「同义词」。
Lecture 3 则具体地讲述了用于设计图形信号学习参数化的技术，以及图卷积滤波器的相关内容。
Lecture 4 主要介绍了图神经网络（GNN）。从图过滤器开始，并通过添加具有逐点非线性的组件构建图感知器。此外还讲述了堆叠图感知器构造 GNN 的相关内容。
Lecture 5 探讨了图神经网络（GNN）的置换等变特性和以及变形稳定性。
更多课程视频将陆续放出，请持续关注。
参考链接：https://gnn.seas.upenn.edu/
