实用图上的深度学习
机器学习
2025-10-28 v1
摘要
图神经网络 (GNN) 已成为学习图结构数据的核心工具，但其针对实际系统的适用性仍受到诸多挑战的限制，如可扩展性、时序性、方向性、数据不完整和结构不确定性。本论文引入一系列模型以解决这些限制：SIGN 实现可扩展图学习，TGN 处理时序图，Dir-GNN 适用于有向和异构网络，特征传播 (FP) 用于学习缺失节点特征，NuGget 用于博弈论结构推断。这些贡献弥合了学术基准与工业规模图之间的差距，使 GNN 能够应用于社交和推荐系统等领域。
引用
@article{arxiv.2510.21994,
title = {Deep Learning on Real-World Graphs},
author = {Emanuele Rossi},
journal= {arXiv preprint arXiv:2510.21994},
year = {2025}
}
备注
The thesis was submitted for the degree of Doctor of Philosophy in Computing at Imperial College London (February 2024), under the supervision of Prof. Michael M. Bronstein. It includes work published at ICML, ICLR, NeurIPS, and the Learning on Graphs Conference