admin管理员组

文章数量:1564665

arXiv在2019年12月4号上传的关于GNN综述论文“A Comprehensive Survey on Graph Neural Networks“。

摘要:近年来,深度学习彻底改变了许多机器学习任务,从图像分类和视频处理到语音识别和自然语言理解。这些任务的数据通常在欧氏空间中表示。但是,越来越多的应用程序从非欧域生成数据,并将数据表示为具有目标之间复杂关系和相互依赖关系的图。图数据的复杂性对现有的机器学习算法提出了重大挑战。最近,出现了许多有关扩展图数据深度学习方法的研究。该综述提供了数据挖掘和机器学习领域中图神经网络(GNN)的全面概述,其中提出了一种新的分类法,将最新的图神经网络分为四类,即递归图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。进一步的讨论还有图神经网络在各个领域的应用,并总结了图神经网络的开源代码、基准数据集和模型评估。最后,提出了这个快速发展领域中潜在的研究方向。

图卷积可以从2D卷积中概括出来。 如图所示,可以将图像视为像素相邻像素连接的图形的特殊情况。 与2D卷积类似,可以通过获取节点邻域信息的加权平均值来执行图卷积。

如图给出代表性的GNN文献分类:

本文标签: 论文ComprehensiveSurveyNetworksneural