斯坦福教授ICLR演讲：图网络最新进展GraphRNN和GCPN（附PPT下载）

编辑：肖琴

在今年 ICLR，Jure Leskovec 教授及斯坦福、MIT 的多名研究者发表论文 How Powerful Are Graph Neural Networks?(https://cs.stanford.edu/people/jure/pubs/gin-iclr19.pdf)，详细阐述了图神经网络背后的原理和其强大的表征能力，认为图神经网络在因果推理方面有巨大的潜力，有望成为 AI 的下一个拐点。

参考阅读：

图神经网络将成 AI 下一拐点！MIT 斯坦福一文综述 GNN 到底有多强

此外，在 ICLR 受邀演讲上，Jure Leskovec 教授还就图深度生成模型做了演讲。在这次演讲中，Jure 阐述了图生成模型的方法和应用，并详细介绍了他的最新成果，GraphRNN 和 Graph Convolutional Policy Network。

本文带来该演讲的 PPT。

• 为什么图网络很重要？
• 图生成任务
• GraphRNN：RNN 的两个层次
• 图卷积策略网络：将图表示和强化学习结合起来

为什么图网络很重要？

为什么图网络很重要？

• 深入了解图的形成过程
• 异常检测 - 异常行为，进化
• 预测 —— 根据过去预测未来
• 新的图结构的模拟
• 图补全 - 很多图都是部分可观察的
• “如果” 场景

图生成任务

任务 1：生成逼真的图

• 生成与给定数据集相似的图

任务 2：目标导向的图生成

• 生成优化给定目标 / 约束的图
• 药物分子生成 / 优化

关键的见解

通过顺序添加节点 / 边来生成图

好处：

• 表示具有不同大小、不同序列长度的图
• 将不同的节点顺序对应于不同的生成轨迹
• 捕获节点之间的复杂依赖关系

GraphRNN：RNN 的两个层次

GraphRNN：RNN 的两个层次

目标：将模型图生成作为序列生成

需要对两个流程建模：

• 为新节点生成状态 (节 Node-level RNN)
• 根据新节点的状态生成新节点的边 (Edge-level RNN)

图卷积策略网络

图卷积策略网络：目标导向的图生成 (GCPN)

将图表示 + RL 结合起来

• 图表示 (Graph representation) 捕获复杂的结构信息，并在每个状态转换中启用有效性检查 (Valid)
• 强化学习 (RL) 优化中间 / 最终奖励 (High scores)
• 对抗性训练 (Adversarial training) 模仿给定数据集中的例子 (Realistic)

总结

• 通过序列生成，可以成功生成复杂的图
• 每一步决策都是基于隐藏状态做出的

显式：中间生成图，用 GCN 解码

隐式：向量表示，RNN 解码

• 任务：

模仿一组给定的图

按照既定目标优化图