通俗易懂理解~圖機器學習導論

點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達
本文轉自|計算機視覺聯(lián)盟

[ 導讀 ] 圖是強大的數(shù)據(jù)結構，可以被用于建模許多真實世界的場景。圖可以建模樣本之間的關系信息，然而，許多之前的機器學習模型忽略了關系信息或沒有很好地方法來建模關系信息。《圖機器學習導論》介紹了目前較新的基于圖的機器學習方法。

圖是強大的數(shù)據(jù)結構，可以被用于建模許多真實世界的場景。目前，圖在生命科學、金融、社交網(wǎng)絡、用戶行為時序建模、區(qū)塊鏈等領域的機器學習應用中都得到了廣泛的引用，并取得了非常好的效果。

圖數(shù)據(jù)往往會包含大量有價值的關系數(shù)據(jù)。然而，許多之前的機器學習模型往往只關注每個樣本的特征，而沒有考慮到樣本之間的關系數(shù)據(jù)或沒有很好的方法來利用和建模這些關系數(shù)據(jù)。

圖機器學習為我們提供了利用這些關系數(shù)據(jù)的方法，它使得我們可以同時考慮圖中每個節(jié)點的自身特征、鄰節(jié)點以及鄰節(jié)點的特征，以獲取更好的性能。

圖機器學習的實現(xiàn)一般有兩種方法：

• 將圖轉換為表格，用傳統(tǒng)成熟的機器學習方法實現(xiàn)
• 將圖建模為網(wǎng)絡，用目前較新的基于網(wǎng)絡的機器學習方法實現(xiàn)
  
  

DeepWalk、Node2Vec等基于Random Walk的網(wǎng)絡節(jié)點表示學習方法，屬于上述的第一種方法，它們利用Random Walk將網(wǎng)絡結構轉換為序列，用成熟的skip-gram方法進行求解。

目前較為流行的圖神經(jīng)網(wǎng)絡屬于第二種方法，直接在網(wǎng)絡結構上進行機器學習：

《Introduction to graphs and machine learning》（《圖機器學習導論》）為我們介紹了圖機器學習的動機與發(fā)展，包括網(wǎng)絡表示學習、圖神經(jīng)網(wǎng)絡等圖機器學習方法及其在問答、知識圖譜等領域的應用。

教程部分截圖如下所示：

參考鏈接：

https://conferences.oreilly.com/strata/strata-ny

2019/public/schedule/detail/76557

END

下載1：OpenCV-Contrib擴展模塊中文版教程

在「小白學視覺」公眾號后臺回復：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實戰(zhàn)項目52講

在「小白學視覺」公眾號后臺回復：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講

在「小白學視覺」公眾號后臺回復：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學習進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~