圖神經網路（graph neural network, GNN）是幾何深度學習（geometric deep learning）的重要分支。Message-passing 架構是 GNN 相當重要而流行的架構，然而這個架構卻無法發揮圖的全部威力而造成重大的缺陷。更重要的是，Message-passing 架構只考慮每個節點的鄰居，卻不能考慮圖的局部拓樸結構。取自 Transformer 的方法，利用位置編碼可以有效讓圖的拓樸結構被 GNN 使用，並增強 GNN 的學習效能。過往的流形學習（manifold learning）都使用靜態圖（static graph）作為建構高維流形的手段，但是建構高維流形與學習降維的方法分離。這樣會造成流形學習沒有辦法捕捉到正確的流形結構，導致流形學習的失敗。動態圖更新（dynamic graph update）是一個被提出來解決這個問題的手段，透過在圖捲積層（graph convolutional layer）中建構高維流形，這樣就可以提昇 GNN 學習高維流形的效率。本演講中將會描述如何在 Julia 的 GeometricFlux.jl 中實作這些方法，並且提高 GNN 模型的學習效能。當中還會提及 GeometricFlux.jl 中的新功能，例如如何使用 GPU 來做批次學習（batch learning）提高訓練速度、如何使用群捲積層（group convolutional layer）等等。
About Yueh-Hua Tu
Julia Taiwan 社群主持人，中央研究院/台灣大學生物資訊學國際學程博士候選人，擁有生物醫學及電腦科學背景，曾任工研院機器學習講師，活躍於台北及台中的深度學習及人工智慧相關社群。熱愛數學、電腦科學及自然科學，為開源軟體貢獻者，Julia 的 GNN 套件 GeometricFlux.jl 維護者。擁有著作《Julia 程式設計：新世代資料科學與數值運算語言》及《Julia 資料科學與科學計算》二書。