摘要： 卷积神经网络在处理图像、语音、文本等具有欧式空间结构的数据时展现出了很好的优势。近年来，研究人员尝试将卷积神经网络迁移到图（Graph）这类空间结构不规则的数据上，图卷积神经网络迅速发展，涌现出ChebyNet、MoNet、GraphSAGE、GCN、GAT等一系列方法，在基于图的半监督分类和图表示学习等任务中表现出很好的性能。神经网络网络作为比图卷积神经网络更一般性的模型备受关注，关于图神经网络的表达能力、针对图神经网络的对抗攻击、图神经网络模型的预训练等问题获得了很多关注。报告将首先沿着图卷积神经网络的发展历程梳理和回顾图卷积神经网络的主要进展和代表性模型，进而介绍近期针对图神经网络的研究热点并探讨未来的发展趋势。

简介： 沈华伟，中国科学院计算技术研究所研究员、博士生导师，中国中文信息学会社会媒体处理专委会副主任。主要研究方向：社交网络分析、网络数据挖掘。在PNAS等期刊和WWW、SIGIR、AAAI、IJCAI、ICLR等国际会议上发表论文100余篇。博士学位论文获得中国计算机学会优秀博士论文提名奖、中国科学院优秀博士论文奖和UCAS-Springer优秀博士论文奖。个人获得中国科学院院长特别奖，入选中国科学院计算技术研究所“学术百星”计划和中国科学院青年创新促进会，入选中国科学院王宽诚率先人才计划“卢嘉锡国际团队”和首批中国科学院青年创新促进会优秀会员（中国科学院优秀青年人才计划）、北京智源人工智能研究院青年科学家。