☆画像認識や推薦システム、交通量予測、化合物分類など様々な応用に期待され、
 また、COVID-19におけるウィルスの構造解析や感染予測のモデルにも応用されたグラフニューラルネットワークについて、
 基礎から応用事例、実装方法など最新情報を解説します!

グラフニューラルネットワーク(GNN)の基礎と応用【LIVE配信】
~応用事例、最近のトピックス、PyTorchによる実装、今後の学習のための情報源~

☆当日のWEBセミナーを繰り返し視聴できる「アーカイブ配信」付き!

セミナー概要
略称
グラフニューラルネットワーク【WEBセミナー】
セミナーNo.
開催日時
2021年11月17日(水) 10:30~16:30
主催
(株)R&D支援センター
問い合わせ
Tel:03-5857-4811 E-mail:info@rdsc.co.jp 問い合わせフォーム
講師
東京工業大学 情報理工学院 情報工学系 教授 博士(工学) 村田 剛志 氏

【ご専門】人工知能、ネットワーク科学、機械学習

【ご略歴】
1990年東京大学理学部情報科学科卒業。1992年同大学院理学系研究科修士課程修了。東京工業大学工学部助手、群馬大学工学部助手、同講師、国立情報学研究所助教授、科学技術振興事業団さきがけ研究21研究員(兼任)、東京工業大学大学院情報理工学研究科助教授を経て、現在は同大学情報理工学院教授。

【関連学会での活動】
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各会員
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-)
価格
非会員:  55,000円 (本体価格:50,000円)
会員:  49,500円 (本体価格:45,000円)
学生:  55,000円 (本体価格:50,000円)
価格関連備考
会員の方あるいは申込時に会員登録される方は、受講料が1名55,000円(税込)から
 ・1名49,500円(税込)に割引になります。
 ・2名申込の場合は計55,000円(2人目無料)になります。両名の会員登録が必要です。
 ・10名以上で申込される場合は大口割引(総額165,000円~)があります。
  お気軽にメールでご相談ください。info@rdsc.co.jp
■会員登録とは? ⇒ よくある質問
特典
当日のWEBセミナーを繰り返し視聴できるアーカイブ配信付き!
アーカイブ配信は、受講者のみご覧いただける1週間ほどの期間限定の配信です。
備考
【Zoomを使ったWEB配信セミナー受講の手順】
1)Zoomを使用されたことがない方は、こちら からミーティング用Zoomクライアントを
  ダウンロードしてください。ダウンロードできない方はブラウザ版でも受講可能です。
2)セミナー前日までに必ず動作確認をお願いします。Zoom WEBセミナーのはじめかたに
  ついては こちら をご覧ください。
3)開催日直前にWEBセミナーへの招待メールをお送りいたします。当日のセミナー開始
  10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加
  ください。

・セミナー資料は開催前日までにお送りいたします。
 ご自宅への送付を希望の方はコメント欄にご住所などをご記入ください。
 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。
講座の内容
受講対象・レベル
深層学習のグラフへの適用に興味がある方。
必要な予備知識
画像認識における畳み込みなど、深層学習についての基礎知識があることが望ましい。
習得できる知識
・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源
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。
プログラム

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
 

キーワード
グラフ,ニューラルネットワーク,深層学習,ディープラーニング,PyTorch,セミナー
関連するセミナー
関連する書籍
関連するタグ
フリーワード検索