在现实社会的网络中，实体可以被看做一个个个的网络节点，而实体的类别可以被看做网络节点的变迁，同时每个节点会存在一系列的属性。当我们为节点做分类任务时，我们通常会以节点的特征为中心，将特征向量送入分类器中做训练。但我们需要考虑两个问题：1）邻居节点的同质性，即相连的节点类别趋近相同；2）标签之间的依赖关系，某些标签可能会同时出现。

传统的关于数据建模的方法主要有两种：统计关系学习SRL和图神经网络结构GNN。SRL通常是利用条件随机场CRF来对节点便签依赖关系进行建模。虽然CRF可以学习到节点标签之间的联合分布，但特征需要人工定语，表单能力有限，同时网络节点关系结构复杂，计算节点标签之间的后延分布困难。而GNN主要是通过非线性的神经元架构来学习到节点的特征表示，整个网络进行端到端的分类。虽然有着强大的特征表达能力，考虑到了网络节点之间的邻接关系，但却忽略了标签之间的以来关系，训练时将节点标签独立地进行了预测。

那么如何能同时解决令居节点的同质性和标签之间依赖关系两个问题呢？加拿大魁北克算法研究所博士生瞿锰由此提出了一种新方法GMNN：Graph Markov Neural Networks，利用CRF学习标签的联合分布，通过伪似然变分pseudolikelihood variational EM算法进行更新迭代，完美的将CRF和GNN的优点结合在一起。9月1日晚8点，智东西公开课邀请到瞿锰博士参与到「机器学习前沿讲座」第8讲，带来主题为《GMNN：高效学习与训练的关系数据建模新方法》的直播讲解。

瞿博将从关系数据建模的研究进展出发，深入讲解图神经网络与统计关系学习融合后的新方法GMNN，并介绍GMNN的相关应用案例。

瞿锰是加拿大魁北克算法研究所博士生，师从唐建博士。他2018年硕士毕业于UIUC，师从Jiawei Han教授；2015年本科毕业于北京大学,师从张铭教授。瞿博的主要研究方向为深度学习、机器学习、关系数据上的逻辑推理，其发表的论文LINE被引超过2000次，是WWW15引用最多的论文。