《Graph Neural Networks Foundations,Frontiers and Applications》第一部分第一章第1.3节翻译和解读

书名：《Graph Neural Networks Foundations,Frontiers and Applications》(图神经网络的基础、前沿和应用)

出版社：Springer Berlin Heidelberg

作者：Lingfei Wu · Peng Cui · Jian Pei · Liang Zhao

红色部分为个人的一些解读，不足之处请多多指点！

第一部分 引言

第一章 表示学习

第1.3节 总结

        表示学习是目前一个非常活跃和重要的领域，它在很大程度上影响着机器学习技术的有效性。表示学习是指学习数据的表示，使其在构建分类器或其他预测器时更容易提取有用的和有区别的信息。在学习表示的各种方式中，深度学习算法如今已越来越多地被应用于许多领域，在这些领域中，好的表示可以以高效和自动的方式用在大量复杂的和高维的数据。对一个表示的评价与它在下游任务中的表现密切相关。一般来说，好的表示也有一些一般的属性，如平滑性（两个不一样的事物表示之间的差异越小越平滑）、线性、离散性，以及捕捉多种解释和偶然因素。

        我们总结了不同领域的表示学习技术，重点介绍了不同领域的独特挑战和模型，包括图像、自然语言和语音信号的处理。对于每个领域，都出现了许多基于深度学习的表示技术，包括监督学习、无监督学习、迁移学习、解耦表示学习、强化学习等不同类别。我们还简要地提到了网络上的表示学习，以及它与图像、文本和语音的关系，以便在下面的章节中进行阐述。

        本章主要为引出下一章节图上的表示学习做铺垫。简单来说。机器学习的任务就是为需要学习的任务和数据找到一个好的表示，这个表示能使模型达到更好的性能，所以表示学习又叫做学习表示。