去年，DeepMind、谷歌大腦、MIT等機構聯合提出“圖網絡”（GNN），將端到端學習與歸納推理相結合，有望解決深度學習無法進行關系推理的問題。圖網絡究竟為什么如此強大？背后的機制如何？未來發展方向有哪些？這里有一份斯坦福31頁PPT，帶你看個明白。

圖神經網絡最近是個很火的話題，與傳統的神經網絡相比，圖神經網絡將圖形作為輸入(而不是原始像素或聲波)，然后學習推理和預測對象及其關系如何隨時間演變。圖網絡方法已經證明了在一系列應用實現快速學習，達到人類水平的能力。

此外，圖網絡可以使網絡不那么容易受到對抗性攻擊，原因很簡單，它是一個將事物表示為對象，而不是像素模式的系統，不會輕易被一點噪音或無關的貼紙所干擾。

新智元今天為大家推薦一份PPT綜述，作者是斯坦福大學的多位博士后和博士生。這篇綜述由基于神經網絡和圖網絡的任務入手，對圖神經網絡的建立、架構、訓練模式和模型特征等方面做了系統的梳理和介紹，并在最后給出了幾個產業界和學術界的應用實例。

下面是全部PPT文稿（共31頁），供感興趣的讀者參考。

首先介紹了傳統神經網絡任務和圖網絡的區別

為何圖網絡難以構建？

圖網絡架構解析：如何通過圖向計算節點特征傳播信息

GraphSAGE：聚合后的參數可供全部計算節點共享

提出DiffPool架構，對圖網絡進行池化

下面是幾個應用實例：

圖網絡的強大判別能力和表達能力

結論與未來研究方向：

最后是參考文獻與作者介紹：