本文摘要：我们生活在一个网络时代。从Facebook的社交图到身体中蛋白质的相互作用，更加多的世界被展现出为网络中的相连。例如斯坦福大学的拉里佩奇和谢尔盖布林首次创建网络网络，称作“PageRank”，这是Google的基础。 人工智能领域的一些最重要人物仍然在研究如何使机器学习技术更为智能地解读网络。

我们生活在一个网络时代。从Facebook的社交图到身体中蛋白质的相互作用，更加多的世界被展现出为网络中的相连。例如斯坦福大学的拉里佩奇和谢尔盖布林首次创建网络网络，称作“PageRank”，这是Google的基础。

人工智能领域的一些最重要人物仍然在研究如何使机器学习技术更为智能地解读网络。近日，来自微软公司，谷歌的谷歌大脑部门，斯坦福大学，剑桥大学和蒙特利尔自学算法研究所的人工智能领域的一些报告称之为其在使神经网络破解Reddit等社交网络的隐蔽结构方面获得了突破性进展。

为题“DeepGraphInfomax”的论文由剑桥大学的主要作者，蒙特利尔自学算法研究所的YoshuaBengio和WilliamHamilton，微软公司的研究人员，谷歌的GoogleBrain部门和斯坦福大学编写。他们明确提出了一种密码网络中看不到部分的新方法。

他们的发明者，DeepGraphInfomax，发给有关整个社交网络Reddit的全球信息，虽然不原始，但要弄清楚Reddit中较小的“本地”社区的细节，这是一种从大型图片向小型线索偏移工作的方式。网络可以是通过相连的任何事物，通过Reddit，Reddit成员的个人帖子所含并转到其他帖子的链接，帖子之间的相连网络为每个帖子获取了上下文和含义，从而构建通过神经网络来预测Reddit网络的“社区结构”。但是不存在拓展问题。

在像Reddit这样享有数百万个帖子的大型网络中，不有可能从一开始就搜集所有帖子及其相连。这是Page和布林在90年代末创建Google时首先遇上的问题：PageRank必需同构所有网络，而无法“看见”不得而知的网络部分。该解决方案牵涉到融合神经网络中的多个突破的阻力。

作者改篇了微软公司的R.DevonHjelm的早期作品“DeepInfomax”。Hjelm的DeepInfomax企图提高图像识别，而不是对网络的解读。通过在图像的片段和这些图像的高级“回应”之间分享信息，称作“互信息”的过程，DeepInfomax需要比其他图像识别手段更佳地继续执行。作者使用DeepInfomax方法并将其从图像切换为网络回应。

他们训练了一个卷积神经网络（CNN）来协商有关网络拓扑的一小部分区域的未知信息以及整个网络的未知信息。通过这样，他们新的创立了一般来说由人获取的“标签”来训练AI模型，在互相信息的用于基本上新的创立了标签一般来说获取给神经网络的“监督”。作者认为，DeepGraphInfomax需要与其他程序竞争，以分析它以前从未见过的图形，称作概括分析。

虽然其他方法仅有理解网络的一部分的细节，但作者创立的模型中的每个“节点”都可以采访网络的整个图的结构属性。有意思的是，通过舍弃典型的网络分析方法（称作“随机漫步”），作者写到他们的方法比其他分析更加简单。“未知随机游荡物镜以结构信息为代价过度特别强调相似度信息。

”从这个意义上说道，随机游荡有一种种族主义，这是人工智能科学家想避免的。相比之下，DeepGraphInfomax使网络中的每个节点都“注意到图形的全局结构特性”。报告有一个更大的要点：神经网络可以将有关细节的信息与有关更大图片的信息展开给定，可以构建更佳的“回应”。回应意味著对主题具备更加高级别的抽象化。

因此，这项工作有助大大执着让AI更加高层次的解读，而某种程度是它所注目的相关性。

本文来源：nba官网买球-www.drvanjelis.com