您好、欢迎来到现金彩票网!
当前位置:刘伯温四肖中特料 > 推理网络 >

解决关系推理从图网络入手!DeepMind图网络库开源了!

发布时间:2019-05-20 22:37 来源:未知 编辑:admin

  【新智元导读】DeepMind今天开源了内部的Graph Nets库,用于在TensorFlow中构建简单而强大的关系推理网络。“图网络”由DeepMind、谷歌大脑、MIT等27位研究者提出,由于其支持关系推理和组合泛化的优势,引起大量关注。

  DeepMind提出的简单而强大的关系推理网络“graph network”终于开源了!

  【CNN已老,GNN来了】DeepMind、谷歌大脑、MIT等27位作者重磅论文,图网络让深度学习也能因果推理

  这篇论文里,作者详细解释了他们的“图网络”。图网络(GN)的框架定义了一类用于图形结构表示的关系推理的函数。GN 框架概括并扩展了各种的图神经网络、MPNN、以及 NLNN 方法,并支持从简单的构建块(building blocks)来构建复杂的结构。

  GN 框架的 block 的组织强调可定制性,并综合表示所需关系归纳偏置(inductive biases)的新架构。

  康纳尔大学数学博士/MIT博士后Seth Stafford则认为,图神经网络(Graph NNs)可能解决图灵奖得主Judea Pearl指出的深度学习无法做因果推理的核心问题。

  图灵奖得主、贝叶斯网络之父Judea Pearl,在ArXiv发布了他的论文《机器学习理论障碍与因果革命七大火花》,论述当前机器学习理论局限,并给出来自因果推理的7大启发。Pearl指出,当前的机器学习系统几乎完全以统计学或盲模型的方式运行,不能作为强AI的基础。他认为突破口在于“因果革命”,借鉴结构性的因果推理模型,能对自动化推理做出独特贡献。

  现在,这篇重磅论文的开源软件库终于发布了!可以用于在TensorFlow和Sonnet中构建Graph Nets。

  这个库包括demos,演示如何在最短路径查找任务、排序任务和物理预测任务上创建、操作和训练graph networks,以推理图结构化数据。每个demo都使用相同的graph network架构,突出了该方法的灵活性。

  要在本地没有安装任何内容的情况下尝试demo,你可以通过云Colaboratory后端,在浏览器(甚至手机上)运行demo。

  “最短路径演示”创建随机的graph,并训练图网络以标记任意两个节点之间的最短路径上的节点和边缘。在一系列消息传递步骤中,模型改进了对最短路径的预测。

  “排序演示”创建随机数列表,并训练图网络对列表进行排序。在一系列消息传递步骤之后,模型可以准确预测哪些元素(图中的列)紧跟在彼此的后面(行)。

  physics demo创建随机质量的弹簧物理系统,并训练一个图网络来预测系统在下一时间步长的状态。模型的下一步预测可作为输入反馈进来,以创建未来轨迹的rollout。下面的每个子图显示了50步以上的真实和预测mass-spring系统状态。这类似于Battaglia et al. (2016)提出的interaction networks”里的模型和实验。

http://mojdzwonek.com/tuiliwangluo/24.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有