图机器学习(GML)在2020年会呈现怎样的发展趋势?本文将从理论、应用、知识图谱、图嵌入一窥图机器学习在2020年的研究趋势。
从目前的形式看,图机器学习的领域已逐渐成熟,但是图神经网络还有很多进步空间。关于图神经网络还有很多需要了解的地方,但是关于 GNNs 是如何工作的已经有很多重要的结果。目前,已有不少极具影响力的理论研究,也提出了有实践价值的解决方案。例如:Andreas Loukas 的「什么图形神经网络无法学习:深度 VS 宽度」。这篇论文在技术的简单性、实践影响力和理论见解的深远性之间取得了显著的平衡。
在过去的一年中,GNN已经在一些实际任务中进行了应用。例如已经有一些程序应用于玩游戏、回答智商测试、优化TensorFlow计算图形、分子生成以及对话系统中的问题生成。例如在在 Wang 等人的论文「Abstract Diagrammatic Reasoning with Multiplex Graph Networks」中,用多重图网络推理演示了如何在类智商测试中用 GNN 进行推理。
从本质上讲,知识图谱是一种结构化的表示事实的方式。在今年的图神经网络(或者说机器学习)中经常出现的一个研究方向是:对现有模型的重新评估,以及在一个公平环境中进行测评。
图嵌入是图机器学习的一个长期的研究主题,今年有一些关于应该如何学习图表示的新观点出现。例如:康奈尔的Chenhui Deng等人提出了一种改善运行时间和准确率的方法,可以应用到任何无监督嵌入方法的节点分类问题。 这篇文章的总体思路是,首先将原始图简化为更小的图,这样可以快速计算节点嵌入,然后再回复原始图的嵌入。
此外,普遍认同“图数据集对分类的影响并不大”的观点也可能在进一步深入研究中出现不同的声音。
文章部分素材来源:雷锋网
联系客服