NeurIPS图表示学习研讨会录取论文揭晓，共有92篇论文入选。近年来，图表示学习的研究激增，包括用于深图嵌入的技术，卷积神经网络对图结构数据的泛化以及受信念传播启发的神经信息传递方法。图可以看作是对更简单类型的结构化数据（例如图像）的自然概括，因此，它们代表了机器学习的下一个突破口。欢迎来
从电信网络到量子化学，图形结构化数据在自然科学和社会科学中无处不在。如果我们希望系统可以从此类数据中进行学习，推理和生成，则在深度学习体系结构中建立关系归纳偏差至关重要。
此外，图可以看作是对更简单类型的结构化数据（例如图像）的自然概括，因此，它们代表了机器学习的下一个突破口。
近年来，图表示学习的研究激增，包括用于深图嵌入的技术，卷积神经网络对图结构数据的泛化以及受信念传播启发的神经信息传递方法。
图神经网络和相关技术的这些进步导致了许多领域的最新技术成果，包括化学合成，3D视觉，推荐系统，问题解答和社交网络分析。对此领域日益普及的最大证明也许是最近关于该主题的四篇受欢迎的评论论文发表，每篇论文都试图统一各个领域相似思想的不同表述。
这表明该主题已达到临界水平，需要召开专门的研讨会，召集研究人员共同确定有意义的感兴趣领域，体育评论讨论我们如何设计新的更好的基准，鼓励讨论并促进协作。
组织者欢迎原创研究论文，这些论文以前从未在机器学习会议或研讨会上发表过。所有被接受的论文均将以poster的形式展示，并选择三篇贡献作品进行口头演示。
除了传统的研究论文提交之外，我们还将欢迎以一页纸的形式提交的论文，描述图形表示学习领域的开放性问题和挑战。这些未解决的问题将在茶歇之前立即进行简短演讲（5-10分钟），以促进讨论。
该研讨会的主要目标是促进社区建设。随着数百名新的研究人员开始在该领域开展项目，我们希望将他们聚集在一起，以将这个快速增长的图形表示学习领域整合为一个健康而充满活力的子领域。
