图形 ODE 及其扩展：将微分方程与图神经网络集成综述
机器学习
2025-06-30 v3
摘要
图神经网络 (GNN) 和微分方程 (DE) 是近年来表现出惊人协同潜力的两个快速发展领域。GNN 已成为处理图结构数据的数据学习工具，而微分方程则为在时间和空间中的连续动力学提供了原则框架。这些领域的交叉导致了创新的方法，发挥了两者的优势，使其能够应用于物理信息学习、时空建模和科学计算等领域。本综述旨在为 GNN 与 DE 交叉领域的快速增长研究提供全面概述。我们将对现有方法进行分类，讨论其背后的原理，并突出其在分子建模、交通预测和流行病传播等领域的应用。此外，我们识别了开放性挑战，概述了未来研究方向以推动这一交叉学科的发展。提供的综合论文列表位于 https://github.com/Emory-Melody/Awesome-Graph-NDEs。本综述为寻求理解和贡献 GNN 与 DE 融合的研究人员和从业者提供了资源。
引用
@article{arxiv.2503.23167,
title = {Graph ODEs and Beyond: A Comprehensive Survey on Integrating Differential Equations with Graph Neural Networks},
author = {Zewen Liu and Xiaoda Wang and Bohan Wang and Zijie Huang and Carl Yang and Wei Jin},
journal= {arXiv preprint arXiv:2503.23167},
year = {2025}
}
备注
Accepted by KDD 2025 Tutorial Track