图神经网络为何如此强大？看完这份斯坦福31页PPT就懂了！

去年，DeepMind、谷歌大脑、MIT等机构联合提出“图网络”（GNN），将端到端学习与归纳推理相结合，有望解决深度学习无法进行关系推理的问题。图网络究竟为什么如此强大？背后的机制如何？未来发展方向有哪些？这里有一份斯坦福31页PPT，带你看个明白。

图神经网络最近是个很火的话题，与传统的神经网络相比，图神经网络将图形作为输入(而不是原始像素或声波)，然后学习推理和预测对象及其关系如何随时间演变。图网络方法已经证明了在一系列应用实现快速学习，达到人类水平的能力。

此外，图网络可以使网络不那么容易受到对抗性攻击，原因很简单，它是一个将事物表示为对象，而不是像素模式的系统，不会轻易被一点噪音或无关的贴纸所干扰。

新智元今天为大家推荐一份PPT综述，作者是斯坦福大学的多位博士后和博士生。这篇综述由基于神经网络和图网络的任务入手，对图神经网络的建立、架构、训练模式和模型特征等方面做了系统的梳理和介绍，并在最后给出了几个产业界和学术界的应用实例。

下面是全部PPT文稿（共31页），供感兴趣的读者参考。

首先介绍了传统神经网络任务和图网络的区别

为何图网络难以构建？

图网络架构解析：如何通过图向计算节点特征传播信息

GraphSAGE：聚合后的参数可供全部计算节点共享

提出DiffPool架构，对图网络进行池化

下面是几个应用实例：

图网络的强大判别能力和表达能力

结论与未来研究方向：

参考文献与作者介绍：