图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖

目录简介GE资源目录GNN资源目录GNN应用资源目录简介本人最开始就是从GNN18年的一篇经典综述《Graph Neural Networks: A Review of Methods and Applications》开始学起来的，其中论文地址pdf，论文翻译可以参考本人的博客【GNN综述1-模型与应用】 Graph Neural Networks: A Review of Methods and ApplicationsGraph Neural Networks: A Re

目录简介 图学习历史与应用 历史-哥尼斯堡七桥问题图+历史发展介绍图神经网络应用（！！）图学习近期工作概况 图卷积神经网络（ICML，NIPS，KDD）大规模图神经网络（NIPS，KDD） 动态图神经网络（KDD，VLDB）图学习对抗（NIPS）几何图机器学习（CIKM，ICDM，ICLR）总结与展望 ​​​​​​​

流行的图神经网络及其数学细微差别的进行详细的梳理和解释

NeurIPS 2021 || 图Transformer学习长距离上下文

DGL近期最新进展

研讨会伴读||深度学习中的拓扑美学：GNN基础与应用

LOGS上有关GNN的部分报告

卡内基梅隆大学赵越-图神经网络与异常检测

图自监督新范式--重新思考图对比学习

GNN上可解释和over-squashing问题解决

图神经网络及其在结构建模中的应用议题讨论

近年来，图机器学习方法由于其强大的关联特征提取能力，在数字金融反欺诈应用中取得了显著成效。然而，该场景中的动态对抗成为了制约图机器学习方法取得进一步提升的重要挑战之一。如何净化图结构中已存在的对抗攻击，如何增强图机器学习的鲁棒性提升分布外样本的泛化能力，成为近期研究热点。

基于图神经网络的知识图谱推理

用GNN用于事件知识图谱获取

KDD2022博士论文奖冠亚军对话（博士间GNN上的工作介绍）

背景：许多领域的数据都可以自然地表达成图结构，比如社交网络、蛋白质相互作用网、化学分子图和3D点云等。这些图数据的复杂性对现有的机器学习算法提出了重大挑战。近几年图卷积网络（GCN）把深度学习中卷积神经网络的思想用到图的学习上，在点分类、边预测以及推荐系统上都取得了非常好的效果。在GCN中，为了得到根节点的表达，需要从它上一层的邻居节点里收集信息。然后同样的，这些邻居节点也需要再从他们上一层的邻居节点里收集信息。这样随着层数的加深，需要计算的多跳邻居数量就会指数级上升。这种“邻居数量指数增加”的问题

1.OGB 1.1 Overview Open Graph Benchmark（以下简称 OGB）是斯坦福大学的同学开源的 Python 库，其包含了图机器学习（以下简称图 ML）的基准数据集、数据加载器和评估器，目的在于促进可扩展的、健壮的、可复现的图 ML 的研究。 OGB......

Rex Ying双曲表示学习与知识图谱报告

从模型层面上设计可扩展的网络结构，将GNN扩展到大规模图数据上

图几何学习在药物方面的应用

图生成在分子学应用和学习范式

本次的讲座首先会介绍曲率的概念以及不同曲率下的连续空间和网络数据的形态，并进一步介绍曲率在图数据建模与分析中的相关应用与研究。

首次从谱域的角度分析了异常数据可能造成的影响

谱图神经网络（Spectral GNN）是一种基于图信号滤波器的图神经网络，广泛应用于节点任务。提出了一种新的谱GNN－JacobiConv，使用Jacobi Basis，且仅使用线性层就达到了SOTA的性能。首先将谱GNN简化为线性GNN（Linear GNN），并证明了Linear GNN在温和条件下可以产生任意一维输出，间接给出了谱GNN的万能逼近定理。建立了谱GNN表达能力和Weisfeiler-Lehman Test之间的联系，用于刻画消息传递图神经网络的表达能力。......

从优化的角度理解图神经网络报告

图神经网络最新范式的探索报告

图解GNN入门级

如何更好的阅读论文！全面而深刻

目录1、动机2、方法3、补充4、参考1、动机因为写开题等报告所需，需要将一些论文中的图裁剪出来使用，为了可以保证图的高清和不失真，开始查找相关方法发现可以通过使用Acrobat直接剪切pdf文件中的图2、方法打开pdf，点击右侧编辑点击上面的裁剪页面裁剪自己想裁剪的区域后，回车两次，得到勾选右侧组织页面得到点击上面提取，勾选提取为单独文件，点击提取按钮，选择存放位置，完成注意：关闭之前文件的时候，选择...

目录1、动机2、解决MiKTeX下载MiKTeX安装编译成功测试包更新检查和测试3、参考1、动机前提：之前安装的latex环境安装，具体见【论文准备】ctex + tex studio下载安装_静静喜欢大白的博客-优快云博客问题：最近要使用国科大的开题报告latex模板，发现当前CTeX套装中的MiKTeX无法使用，发现是因为自带的MiKTeX过于陈旧，很多宏包已经无法自动更新了。因此，需要重新安装新版MiKTeX来解决问题。因此，此文中将从详细阐述..

目录1、CNN、RNN、GNN2、GNN3、GNN分类整体分类细分GNN类别1、RGNN（Recurrent Graph Neural Networks）2. Graph Convolution Networks（图卷积神经网络）3. Graph Attention Networks4. Graph Auto-encoder5. Graph Spatial-Temporal Networks（时空网络）6. Graph Generative Networks（

目录简介图卷积消息传递一个实际的例子总结简介本文中将研究如何基于消息传递机制构建图卷积神经网络，并创建一个模型来对具有嵌入可视化的分子进行分类。假设现在需要设计治疗某些疾病的药物。有一个其中包含成功治疗疾病的药物和不起作用的药物数据集，现在需要设计一种新药，并且想知道它是否可以治疗这种疾病。如果可以创建一个有意义的药物表示，就可以训练一个分类器来预测它是否对疾病治疗有用。我们的药物是分子式，可以用图表表示。该图的节点是原子。也可以用特征向量 x 来描述原子（它可以

目录简介示例数据集基于嵌入的模型但是如何衡量性能呢？LightGCN使用 LightGCN 进行预测结果对比参考简介推荐系统是当今业界最具影响力的 ML 任务。从淘宝到抖音，科技公司都在不断尝试为他们的特定应用程序构建更好的推荐系统。而这项任务并没有变得更容易，因为我们每天都希望看到更多可供选择的项目。所以我们的模型不仅必须做出最优推荐，而且还必须高效地做出推荐。今天介绍的这个模型被称作：Light Graph Convolution Network 或...

目录简介提纲任务已有的相关工作新的方法三个模块为什么需要图滤波？实验结果相关指标对比和消融实验总结优势局限性未来改进方向创新补充（对比表示学习必知的几种训练目标-损失）Contrastive LossTripletLossLifted StructuredLossN-pair LossNCEInfoNCESoft-Nearest Neighbors Loss参考简介随着信息时代的蓬勃发展，产生了大量..

目录简介论文在NLP学术研究中的意义一篇NLP论文的典型结构Abstract和Introduction怎么写AbstractMethod怎么写Experiment怎么写Related Work怎么写Conclusion怎么写其他建议小结转载相关链接简介前几天刚过完ACL 2019投稿季，给不少同学的论文提供了修改建议。其中很多论文，特别是初学者的论文的问题都很相似。一想到未来还要给更多新同学重复这些话，决定索性把这些建议总结出来，不仅以后能少费

作者简介：贺华瑞，2020年毕业于西安电子科技大学，获得工学学士学位。现于中国科学技术大学电子工程与信息科学系的 MIRA Lab 实验室攻读研究生，师从王杰教授。研究兴趣包括图表示学习与知识推理。目录GNN简介GNN与CNN、RNN的区别GNN的应用场景为什么说药物研发是GNN的杀手级应用GNN在药物研发中的应用GNN辅助制药的挑战高质量数据的可得性训练过程的可解释性预测结果的可信任性未来展望参考文献参考GNN简介GNN与CNN、RNN的.

导读：本文是一篇来自学术界伊利诺伊大学芝加哥分校的大佬【窦英通】的分享，不会讲太多的具体实操案例，而是根据我对于欺诈检测领域的了解以及学术界的论文，介绍这些论文的发展脉络和论文中一些代表性的工作，以及从论文中总结出如何更好地把图神经网络应用到欺诈检测问题中的方法论。最后，还会给出一些相关资源以及我们实验室做的一些开源项目供大家参考。文中提到的论文和资源，大家如果感兴趣可以进一步研究和学习。本文主要包含以下几大方面： 背景介绍 研究历程 应用方法 相关资源 目.

目录简介写好英语科技论文的诀窍：主动迎合读者期望，预先回答专家可能质疑前 言导 言审稿人要什么?怎样满足审稿人？文章的结构结果部分标 题引言部分讨论部分摘要部分总 结结 束 语致 谢简介多学者做科学实验是高手，但坐下来写成论文，就绞尽脑汁。三年前，为了让我的博士生和博士后学好写作，我利用暑假写了《写好英语科技论文的诀窍: 主动迎合读者期望，预先回答专家可能质疑》（见下文）。 此文在网络上得到了较广的传播。文中我和...

1、简介打算之后在本博客里存放BAAI里面邀请的所有演讲者有关GNN的报告学习（本人筛选的都是自己感兴趣的或者感觉还不错的）2、报告腾讯林衍凯：图神经网络，考虑「拓扑信息」会怎样？【专栏：前沿进展】在本次演讲中，腾讯微信AI部门的林衍凯博士介绍了其团队在图神经网络学习任务中考虑图的拓扑信息的系列工作。报告：林衍凯 腾讯微信模式识别中心高级研究员撰文：熊宇轩相较于结构化数据和流数据，图数据的数据点之间存在很强的拓扑联系。在拓扑结构中相连的点之间可能存在一定的共性，同时也存在一定

目录1、简介2、嘉宾问题讨论11. 如何看待当前图上的自监督学习进展？未来前景如何？2. 图神经网络当前的落地场景？图神经网络在实际落地中还需要考虑哪些因素？3. 图神经网络可能应用于哪些交叉学科（如生物医学工程、材料基因组等）？4. 当下，图神经网络有哪些问题亟待解决，哪些研究方向值得关注？5. 对想研究图神经网络的新入门同学有何建议？问题讨论21. 图神经网络的发展当前面临哪些问题？哪些方面有望在近几年取得突破？2. 如何基于图神经网络做认知推理？如何看待