深度图神经网络：让图数据学习更简单、可扩展

与George Karypis的三个问题：让图数据的学习变得简单且可扩展

在即将于6月2日举行的首届亚马逊云服务机器学习峰会上，George Karypis将作为科学分论坛的演讲嘉宾出席。

George Karypis是明尼苏达大学双城分校的杰出McKnight大学教授，同时也是某中心的高级首席科学家和某机构学者。在他的职业生涯中，Karypis的研究重点是在数据挖掘、推荐系统、学习分析、高性能计算、信息检索和生物信息学等领域开发新颖的算法。作为某机构学者成员之一，他在继续于大学进行教学和研究的同时，也致力于解决大规模的技术挑战。

问：您在机器学习峰会上的演讲主题是什么？

我将讨论如何使用深度图神经网络来开发机器学习模型，以解决那些底层数据通过图来表示的领域中的问题。

近年来，随着数据科学家从为二维信号（如图像）和三维图像（如视频）开发深度学习模型，转向从嵌入在图中的结构化关联数据进行学习，GNN的应用呈现爆炸式增长。

在某中心，我的团队一直致力于开发Deep Graph Library。这是一个易于使用、高性能且可扩展的Python包，专门用于图上的深度学习。DGL是一个允许开发者编程实现图神经网络的框架。它补充了现有的基于张量的框架，如Tensorflow、PyTorch和MXNet。在我的演讲中，我将介绍如何使用DGL，让GNN的开发、训练和使用变得简单且可扩展。

问：为什么这个话题在当今的科学界尤为重要？

通过利用图中固有的关联数据，我们可以为各种问题开发出准确的机器学习解决方案。

如今，GNN被应用于许多领域。例如，它们在社交网络中扮演着越来越重要的角色，因为图可以展示相关人员之间的联系。像某分析机构这样的组织正在使用GNN来帮助人口贩卖的受害者。在医疗领域，GNN在寻找新疾病的候选药物方面发挥着日益重要的作用。在某中心，它们被用于开发推荐系统、构建欺诈和滥用检测机制、以及开发某虚拟助手的对话能力等等。

通过利用图中固有的关联数据，我们可以为各种问题开发出准确的机器学习解决方案。GNN在广泛领域的图学习上正不断提供最先进的结果。即使在我们将其从学术和工业研究转向为产品和服务提供动力的过程中，它们现在也是深度学习中研究最活跃的领域之一。

问：在GNN的发展世界中，有哪些让您特别兴奋的突破？

我对能够帮助我们扩展GNN训练规模的新算法和基础设施的发展感到兴奋。这对于在实际应用中部署GNN尤为重要，因为现实世界中的图可能非常庞大——仅举一例，一个社交网络可能包含数百万个节点（或用户）和数十亿条链接。

在攻克大型图方面，大规模基准测试的开发使我们能够聚焦于可行的架构，并验证那些可以扩展到更复杂数据集的方法。此外，针对GNN工作负载的硬件加速器的发展，将有助于我们利用机器学习的力量，来解决具有图结构输入的问题。FINISHED
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）