化学品の市場調査、研究開発の支援、マーケット情報の出版

~ GNN:Graph Neural Networks ~
 
☆☆☆ Web配信セミナー ☆☆☆
☆☆☆ 本セミナーは、Zoom/ウェビナーを使用して、行います。☆☆☆

トリケップスセミナー

 開催日時:2022年1月26日(水)10:30~16:30
 参 加 費:お1人様受講の場合 51,700円(税込/1名)
     1口(1社3名まで受講可能)でお申し込みの場合 62,700円(税込/1口)

 ★ 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング(http://zoom.us/test)にアクセスできることをご確認下さい。

 ★インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。

 ★受講中の録音・撮影等は固くお断りいたします。

講 師

村田 剛志(むらたつよし)氏 
東京工業大学 情報理工学院 情報工学系 知能情報コース 教授(博士(工学))

<経歴>
 1990年 東京大学 理学部 情報科学科卒業
 1992年 東京大学大学院 理学系研究科 修士課程修了
 1997年 東京工業大学 博士(工学)取得
  現在、東京工業大学 情報理工学院 情報工学系 教授

<研究>
 人工知能、ネットワーク科学、機械学習、等

<学会>
 人工知能学会、情報処理学会、日本ソフトウエア科学会、等

セミナーの概要

 深層学習は、画像認識や自然言語処理などの分野において華々しい成果を収めてきており、それをグラフに対して適用するための研究が近年非常に盛んになってきている。グラフやグラフ中の頂点を高精度に分類することができれば、高度な画像認識、推薦システム、交通量予測、化合物分類などへの応用が期待できる。その一方で、グラフを扱う上での固有の問題やチャレンジがあることも指摘されてきている。
 本セミナーでは、グラフニューラルネットワークの基本的な知識およびいくつかの研究事例について紹介するとともに、今後の学習のための情報源などについても述べる。

講義項目

 1 イントロダクション
  1.1 畳み込みニューラルネットワーク
  1.2 グラフの深層学習
  1.3 グラフを対象としたタスク
  
 2 グラフニューラルネットワークの応用
  2.1 画像認識、推薦システム、交通量予測、化合物分類
  2.2 COVID-19とグラフニューラルネットワーク
  
 3 グラフエンベディング
  3.1 エンベディング
  3.2 DeepWalk
  3.3 LINE
  
 4 Spectral Graph Convolution
  4.1 グラフ畳み込みのアプローチ
  4.2 グラフラプラシアン
  4.3 グラフフーリエ変換
  4.4 ChebNet
  4.5 GCN
  
 5 Spatial Graph Convolution
  5.1 PATCHY-SAN
  5.2 DCNN
  5.3 GraphSAGE
  
 6 関連トピック
  6.1 Graph autoencoder
  6.2 Attention、GAT
  6.3 GraphRNN
  6.4 動的変化とGNN
  6.5 敵対的攻撃とGNN
  6.6 GNNの単純化・可能性・限界
  6.7 GNNの説明可能性
  
 7 今後の課題
  7.1 浅い構造
  7.2 動的グラフ
  7.3 非構造データ
  7.4 スケーラビリティ
  
 8 PyTorchによる実装
  8.1 深層学習ライブラリ
  8.2 Google Colaboratory
  8.3 PyTorch
  8.4 PyTorch Geometric
  8.5 Open Graph Benchmark
  
 9 今後の学習のための情報源
  9.1 サーベイ論文、書籍
  9.2 Web上の情報源
  9.3 チュートリアル