分类目录归档：课程
知识图（Knowledge graph）：以图的形式存储知识
知识图示例：生物知识图（蛋白质/药物/疾病/不良事件）
知识图应用：信息检索服务、问答和对话
常见的开源 KG ：0_life/精品资源/数据资源/知识图数据资源
这类知识图一般是百万级别的
异构图（Heterogeneous Graph），存在不同类型的节点和边
即节点和边至少有一个具有多种类型，常见于知识图谱的场景
举例：引文网络
从异构图到标准图：
one-hot 形式的特征，以此区分类型[1, 0] 附加到每个“作者节点”；将特征 [0, 1] 附加到每个“纸节点”关键问题：GNN 节点嵌入能否区分不同节点的局部邻域结构？
GNN 通过邻域定义的计算图生成节点嵌入：
由于 GNN 主要依赖节点特征，而不考虑节点 ID
因此 GNN 无法区分位置同构的节点（节点 1 和节点 2）
图训练的完整 Pipeline：
不同的任务级别需要不同的预测头（Prediction head）
$$ \widehat{\boldsymbol{y}}_v=\mathrm{Head}_{\mathrm{node}}(\mathbf{h}_v^{(L)})=\mathbf{W}^{(H)}\mathbf{h}_v^{(L)} $$
图神经网络（GNN）的通用框架：
所以单层 GNN 的计算过程可表示如下： $$ \begin{aligned} \mathbf{m}_u^{(l)}&=\mathrm{MSG}^{(l)}\left(\math
图数据的复杂性：
直接将邻接矩阵或节点特征输入到传统神经网络的问题：
置换不变性 vs 置换等价性
“压缩现代性”，这个词很生动、贴切。中（含台湾）、日、韩三个国家的普通民众的生活都有明显的“压缩”特征：
1、住房是压缩的。美国人住别墅，中日韩绝大多数人住公寓。东亚城市人口密度远高于美国，也高于欧洲。这节约了土地，也导致普通人的个人空间严重不足；
2、学习是压缩的。“做题家”，这一个词描述了以高考为人才选拔的高压模式。进大学前，想考个好大学、好专业，那就只有拼命做题；
3、工作是压缩的。“加班、超时劳动”被普遍接受，只要老板给高一点的加班费，打工者对加班一般持欢迎与接受的态度。但这也极大地减少了可用于关心家庭、个人再学习、社交等一系列的工作之外的时间；
4、生育也是压缩的。一对夫妻，生一
传统图机器学习 VS 图表示学习
嵌入表示的好处：
课程内容大纲：
背景要求：机器学习、算法和图论、概率论与数理统计、Python/PyTorch
其他推荐工具：
专题：AI时代的智能研究 “Research on Intelligence in the Age of AI”
核心问题1：是否应该推动更多的理论工作，比较深度学习模型与人类智能的理论
核心问题2：神经科学是否能够帮助人工智能，以及人工智能是否能够帮助神经科学
讨论参与者：