图级学习的现状与潜力
机器学习
2023-05-26 v3 人工智能
摘要
图在表示化学化合物、蛋白质和社交网络等关系数据方面具有卓越的能力。因此，以一组图作为输入的图级学习已被应用于包括比较、回归、分类等在内的许多任务。学习一组图的传统方法严重依赖手工设计的特征，例如子结构。然而，尽管这些方法具有良好的可解释性，但它们通常受制于计算瓶颈，因为无法规避图同构问题。相反，深度学习通过自动提取特征并将图编码为低维表示，帮助图级学习适应了不断增长的图规模。因此，这些深度图学习方法取得了许多成功。然而，目前还没有一篇综述从传统学习开始并延伸至深度学习方法来回顾图级学习。本文填补了这一空白，并将代表性算法构建为一个系统分类法，涵盖传统学习、图级深度神经网络、图级图神经网络和图池化。为了确保全面综述，本文还考察了四个不同发展分支的方法之间的演进、交互与交流。随后简要回顾了基准数据集、评估指标和常见的下游应用。最后，本综述对该蓬勃发展领域的 12 个当前与未来方向进行了广泛概述。
引用
@article{arxiv.2301.05860,
title = {State of the Art and Potentialities of Graph-level Learning},
author = {Zhenyu Yang and Ge Zhang and Jia Wu and Jian Yang and Quan Z. Sheng and Shan Xue and Chuan Zhou and Charu Aggarwal and Hao Peng and Wenbin Hu and Edwin Hancock and Pietro Liò},
journal= {arXiv preprint arXiv:2301.05860},
year = {2023}
}