セミナー 印刷
【 2 名 同 時 申 込 で 1 名 無 料 】 対 象 セ ミ ナ ー 【Live配信セミナー(Zoom使用)】 ※会社・自宅にいながら学習可能です※

【Live配信(リアルタイム配信)】 
これから始める
グラフニューラルネットワーク(GNN)入門

【アーカイブ配信付き】

グラフへの深層学習の適用に興味をお持ちの方におススメの入門セミナーです。
基本的な知識と研究事例、さらには今後学習していくための情報源についても言及。
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にも期待のGNNについて、
この機会に情報収集してみませんか?
日時 2022年7月27日(水)  10:30~16:30
会場 Live配信セミナー(会社・自宅にいながら受講可能)  
会場地図
受講料(税込)
各種割引特典
49,500円 ( E-Mail案内登録価格 46,970円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体45,000円+税4,500円
E-Mail案内登録価格:本体42,700円+税4,270円
E-Mail案内登録なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で49,500円 (2名ともE-Mail案内登録必須​/1名あたり定価半額の24,750円)
【テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
 
1名申込みの場合:受講料39,600円 ( E-Mail案内登録価格 37,620円 )
   定価:本体36,000円+税3,600円
   E-Mail案内登録価格:本体34,200円+税3,420円
 ※1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
 ※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
 ※他の割引は併用できません。
特典アーカイブ(見逃し)配信付き:
 視聴期間:終了翌営業日から7営業日後まで[7/28~8/3]予定
 ※アーカイブは原則として編集は行いません
 ※視聴準備が整い次第、担当から視聴開始のメールご連絡をいたします。
 (開催終了後にマイページでご案内するZoomの録画視聴用リンクからご視聴いただきます)
配布資料・PDFテキスト(印刷可・編集不可)
オンライン配信・ZoomによるLive配信 ►受講方法・接続確認(申込み前に必ずご確認ください)

セミナー視聴・資料ダウンロードはマイページから
お申し込み後、マイページの「セミナー資料ダウンロード/映像視聴ページ」に
お申込み済みのセミナー一覧が表示されますので、該当セミナーをクリックしてください。
開催日の【営業日2日前】より視聴用リンクと配布用資料のダウンロードリンクが表示されます。
備考※資料付
※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。
 
受講対象
・深層学習のグラフへの適用に興味がある方
 
得られる知識
・グラフニューラルネットワークの基礎知識
・グラフニューラルネットワークの応用
・今後の学習のための情報

セミナー講師

東京工業大学 情報理工学院 教授 博士(工学) 村田 剛志 氏 
【専門】人工知能、ネットワーク科学、機械学習 【Web
人工知能学会、情報処理学会、日本ソフトウエア科学会、AAAI、ACM会員
人工知能学会 理事 (2013-2015)
情報処理学会 データサイエンス教育委員会 委員 (2020)

セミナー趣旨

 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。

セミナー講演内容

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

  □質疑応答□

<キーワード>グラフニューラルネットワーク、グラフエンベディング、グラフ畳み込み、PyTorch