图神经网络：方法与应用综述
机器学习
2021-10-07 v6 人工智能
机器学习
摘要
许多学习任务需要处理包含元素间丰富关系信息的图数据。建模物理系统、学习分子指纹、预测蛋白质界面以及疾病分类都要求模型从图输入中学习。在其他领域，如从文本和图像等非结构数据中学习，对提取结构（如句子的依存树和图像的场景图）进行推理也是一个重要研究课题，同样需要图推理模型。图神经网络（GNNs）是通过图节点间消息传递来捕获图依赖性的神经模型。近年来，GNN 的变体如图卷积网络（GCN）、图注意力网络（GAT）、图循环网络（GRN）已在许多深度学习任务上展现出突破性性能。本综述中，我们提出 GNN 模型的一般设计流程并讨论各组件的变体，系统地对应用进行分类，并提出四个未来研究的开放问题。
引用
@article{arxiv.1812.08434,
title = {Graph Neural Networks: A Review of Methods and Applications},
author = {Jie Zhou and Ganqu Cui and Shengding Hu and Zhengyan Zhang and Cheng Yang and Zhiyuan Liu and Lifeng Wang and Changcheng Li and Maosong Sun},
journal= {arXiv preprint arXiv:1812.08434},
year = {2021}
}
备注
Published at AI Open 2021