乔治·卡里皮斯访谈：让从图嵌入数据中学习变得简单且可扩展

乔治·卡里皮斯是明尼苏达大学双城分校的杰出麦克奈特大学教授，同时也是某机构高级首席科学家和某机构学者。在6月2日举行的首届某机构机器学习峰会上，卡里皮斯作为特邀演讲者，分享了关于图神经网络（GNN）的最新进展。

演讲主题：深度图神经网络的应用

卡里皮斯的演讲聚焦于深度图神经网络如何用于开发机器学习模型，以解决基于图结构数据的问题。近年来，随着数据科学家从处理图像等二维信号和视频等三维图像，转向从图嵌入的结构化相关数据中学习，GNN的应用呈现爆炸式增长。

在某机构，卡里皮斯的团队一直致力于开发Deep Graph Library（DGL），这是一个易于使用、高性能且可扩展的Python包，用于图上的深度学习。DGL是一个允许开发者编程图神经网络的框架，补充了现有的基于张量的框架如TensorFlow、PyTorch和MXNet。演讲中，卡里皮斯详细介绍了DGL如何使GNN的开发、训练和使用变得简单和可扩展。

GNN在科学社区中的重要性

GNN已在多个领域得到应用。例如，在社交网络中，图显示相关人群之间的连接，GNN扮演着日益重要的角色。某分析机构使用GNN帮助人口贩卖的受害者；在医疗领域，GNN在寻找新疾病的候选药物方面作用显著。在某机构，GNN被用于开发推荐系统、构建欺诈和滥用检测机制，以及提升语音助手的对话能力等。

通过利用图固有的链接数据，GNN能够为各种问题开发准确的机器学习解决方案。GNN在广泛领域的图学习中不断提供最先进的结果，现已成为深度学习中最活跃的研究领域之一，从学术和工业研究过渡到实际推动产品和服务。

GNN发展的突破性进展

卡里皮斯对帮助扩展GNN训练的新算法和基础设施开发感到兴奋。这对于在实际应用中部署GNN尤为重要，因为图可能非常大——例如，一个社交网络可能包含数百万个节点（或用户）和数十亿个链接。

在处理大型图方面，大规模基准测试的开发使得能够聚焦于可行的架构，并验证可扩展到更复杂数据集的方法。此外，针对GNN工作负载的硬件加速器开发，将有助于利用机器学习的力量解决图结构输入的问题。

（可以通过以下链接注册观看6月2日虚拟某机构机器学习峰会的免费演讲）。