TigerGraph 随身听第15期：如何在你的数据中找到竞争优势? 相信Graph+AI将会给你带来启发

通过使用存储在TigerGraph数据库中的连接数据，TigerGraph机器学习工作台提供了一种更快、更简单的方法来开发基于图的增强机器学习模型和图神经网络GNN。在本次峰会中，来自密歇根州立大学的计算机科学与工程系副教授 JiLiang Tang，分享了许多与图去噪问题相关的 GNN，这为我们提供了一个新的视角来理解为什么 GNN 可以用于实现强大的性能。

在过去的几年里，我们在很多用例中看到了图算法的兴起。比如意大利数据科学领域最大的公司Data Reply，他们的图数据科学家Julien Genovese提出一个经常被人们忽视的问题，那就是我们缺乏一张地图来定位自己在这个不断变化的技术世界中的方向。观看他的演讲，你可以完整地了解图机器学习的演变历程。从具有图特征和机器学习模型的经典机器学习开始，从 node2vec 开始到节点嵌入并到达 graphSage，最后到达图神经网络。

在圆桌讨论上，来自AWS的高级首席科学家George Karypis和解决方案架构师Vikram Vunduru，Snap的首席研究科学家Neil Shah和TigerGraph的人工智能和机器学习副总裁李永雄，共同探讨了深入研究图深度学习库的好处。同时，他们在图和机器学习如何合并形成新的神经网络，深度图库到底是什么发表了自己的意见。各位专家还分享了AWS和TigerGraph如何支持这一技术。李永雄博士在讨论中提到图深度学习库支持基于图的机器学习，这正是TigerGraph最近开发的机器学习工作台背后的驱动力之一。

说到深度学习，不得不提到梯度提升（Gradient Boosting）算法。作为一种强大的机器学习技术，该算法可以在各种实际任务中取得最先进的结果。 同时，它也是学习具有异构特征、噪声数据和复杂依赖关系的问题的主要方法，例如：网络搜索、欺诈检测、天气预报等等。在演讲中，嘉宾分享了梯度提升的常见用例，还有它可以应用于哪些类型的数据，以及在机器学习问题中的特定应用。