编辑注：Dr. Petar Veličković是ODSC West 2023的演讲嘉宾。一定要去听听他的演讲：“图和网络上的表示学习”！
我在ODSC West的演讲的主要目标是让与会者能够吸收该领域的关键概念，并将图表示学习与相关领域放在适当的背景下，使图表示学习易于导航、利用和贡献。这将紧密跟随我最近在《现代结构生物学》杂志上发表的一篇综述论文。
具体而言，我的演讲将介绍一个充满活力和令人兴奋的深度学习研究领域：图表示学习。或者简单地说，构建机器学习模型来处理生活在图上的数据（由边连接的节点的互联结构）。这些模型通常被称为图神经网络，简称GNN。研究图数据有很好的理由，因为在许多方面，图是我们从自然界接收到的数据的主要形式。从分子（由化学键连接的原子的图）到大脑的连接结构（由突触连接的神经元的图），图是描述生物体的普遍语言，涵盖各个组织层次。同样，人类感兴趣的大多数相关人造构造，从交通网络（由道路连接的交叉口的图）到社交网络（由友谊链接连接的用户的图），最好以图的形式进行推理。
近年来，科学界和工业界的团队都已经认识到了这一潜力，GNN现在被用于发现新型强效抗生素，在Google地图中提供估计的旅行时间，在Pinterest中推荐内容，在亚马逊中推荐产品，并设计最新一代的机器学习硬件：TPUv5。此外，基于GNN的系统还帮助数学家揭示了数学对象的隐藏结构，从而在表示论领域提出了新的一流猜想。毫不夸张地说，数十亿人每天都会接触到GNN的预测。因此，研究GNN很可能是一项有价值的追求，即使不打算直接为其发展做出贡献。
此外，很可能驱动我们推理和决策的认知过程在某种程度上是图结构化的。换句话说，用Jay Wright Forrester的话说，“没有人真的在脑海中想象出他们所知道的所有信息；相反，他们只想象出选定的概念以及它们之间的关系，并用这些来代表真实系统”。如果我们认同这种对认知的解释，那么在没有依赖图表示学习的组件的情况下，我们很可能无法构建一个普遍智能的系统。请注意，这一发现并不与许多最近的熟练机器学习系统基于Transformer架构的事实相冲突——正如我们在本次演讲中将揭示的那样，Transformer本身就是GNN的一个特例。
关于作者/ODSC West演讲嘉宾：
Petar Veličković是Google DeepMind的高级研究科学家，剑桥大学的兼职讲师，以及剑桥克莱尔学院的副院士。Petar拥有剑桥大学（三一学院）的计算机科学博士学位，由Pietro Liò指导完成。他的研究涉及几何深度学习，即设计尊重数据中的不变性和对称性的神经网络架构（这是我与他人合著的一本原书的主题）。Petar的研究已经在大大改善Google地图的旅行时间预测和指导数学家的直觉，使他们接近新的一流定理和猜想。