弥合空间域与谱域的鸿沟：图神经网络综述
机器学习
2021-07-22 v4 人工智能
计算几何
机器学习
摘要
深度学习的成功已在多种机器学习任务中得到广泛认可，包括图像分类、音频识别与自然语言处理。作为深度学习向这些领域之外的拓展，图神经网络（GNNs）旨在处理此前的深度学习技术难以处理的非欧几里得图结构。现有GNNs采用多种技术提出，使得直接比较与交叉引用更为复杂。尽管已有研究将GNNs归类为基于空间与基于谱的技术，但对其关系的透彻考察尚属空白。为弥补此缺口，本研究提出一个统一框架，系统性地纳入绝大多数GNNs。我们将现有GNNs组织为空间域与谱域，并揭示各域内部的联系。对谱图理论与逼近理论的回顾，在进一步研究中建立了空间域与谱域之间的强关联。
引用
@article{arxiv.2002.11867,
title = {Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks},
author = {Zhiqian Chen and Fanglan Chen and Lei Zhang and Taoran Ji and Kaiqun Fu and Liang Zhao and Feng Chen and Lingfei Wu and Charu Aggarwal and Chang-Tien Lu},
journal= {arXiv preprint arXiv:2002.11867},
year = {2021}
}