在对LLM略有了解之后，我在想ai的未来会是什么，对于知识的建立，LLM无论是数据，还是参数，都是以网格状/线性 的方式去建立，这和人脑的千奇百怪的连接方式 有非常大的距离。而使用G=(V,E) 的图论是更加贴近人的语言，带着这个观点，我开始学习著名的CS224W
关于这门课程，我使用的资料是
-
21winter视频课
-
25fall的slides以及作业，总共包括3份homework以及6个实验
主讲老师Jure Leskovec是GraphSAGE:推动GNN走向大规模学习的奠基人，除了口音有点重以外，上课有非常多的工业案例 。
我的食用方法大致为
- 21win包含**“图 ML → 图表示学习 → GNN → 理论 → 规模化** ”的整个过程，为了体系的完整性，选择这个的视频课进行观看
- 对于前沿GNN科技，25fall包括transformer in Graph，规模化等技术，可以使用25Fall进行补充
- 作业&&实验使用25fall的版本
这门课的基本结构
- 21win lecture1-5:ML in Graph 介绍图性质刻画以及图上的ML算法
- 21win lecture6-8:介绍GNN以及经典模型
- 21win lecture8-9:GNN的应用案例
- 21win lecture10-12 :GNN理论局限性，一些常见问题
- 对于GNN前沿，如知识图谱，推荐系统等，看25fall lecture8-11的slides
这个老师听说是stanford最帅的professor
这门课的实验以及作业不是特别多(点名批评cs336),希望可以在12月结束之前干完。