セミナー
サイトリニューアルをしました。
May 8, 2017
グラフニューラルネットワークの基礎からPyTorchによる実装まで
～GNN：Graph Neural Networks～
受講可能な形式：【Live配信】のみ
このセミナーの受付は終了致しました。
| 日時 | 2023年6月7日（水） 10:00～16:30 |
|
|---|---|---|
| 会場 | オンライン配信セミナー |
会場地図 |
| 講師 | 村田 剛志 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 |
|
|
受講料(税込)
各種割引特典
|
51,700円
( E-Mail案内登録価格 51,700円 )
S&T会員登録とE-Mail案内登録特典について
定価：本体47,000円＋税4,700円
E-Mail案内登録価格：本体47,000円＋税4,700円
|
|
お１人様受講の場合 51,700円 （47,000円＋税4,700円）
1口でお申込の場合 62,700円 （57,000円＋税5,700／1口（3名まで受講可能）） ※S&T E-Mail案内登録価格 S&T複数同時申込み割引対象外 ※開催7日前に請求書を発送します。 ※開催日から9日前以降のキャンセルは受講料全額を申受けます。但し、セミナー終了後テキストを郵送します。 一旦、納入された受講料はご返金できません。当日ご都合のつかない場合は代理の方がご出席下さい。 ※サイエンス＆テクノロジーが設定しているアカデミー価格・キャンセル規定対象外のセミナーです。 |
||
| 主催 | (株)トリケップス | |
| オンライン配信 | ★本セミナーは、Zoomウェビナーを使用して行います。 受講者の通信回線にセキュリティなどの制限がある場合は参加できないことがあるため、 事前に当日ご利用予定の通信回線にて、 Zoom公式ページ（https://zoom.us）にアクセスできることをご確認していただくようお願いします。 または、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ください。 Zoomをダウンロードしている方はマイクとスピーカーのテストも可能です。 ※こちらは接続テスト用のミーティングです。実際のセミナー参加者画面とは異なります。 ★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。 ※開催5日前までに主催会社(株)トリケップスから参加者に当日必要なURLとパスワードをメールにてお知らせします。 | |
| 備考 | ★受講申込者が必要定員に満たないセミナーは中止・延期させていただく場合があります。 その場合は開催1週間前にご連絡します。 ★1口でお申込の場合 代表受講者を定めて下さい。請求書発送等の連絡は代表受講者へ行います。 申込時に参加者全員の氏名・所属が明記されていない場合、ご参加できない場合があります。 | |
このセミナーは終了しました。
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。
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
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
このセミナーは終了しました。
当サイトはグローバルサイン社によりセキュリティ認証をされています。
SSL対応ページ（https）からの情報送信は暗号化により保護されます。
SSL対応ページ（https）からの情報送信は暗号化により保護されます。