【导读】今年以来，DeepMind、Google大脑、MIT等各大研究机构相继发表了一系列的关于图深度学习的论文，包括关系性RNN、关系性深度强化学习、图卷积神经网络等，是当前的研究热点。最近，清华大学孙茂松老师课题组在ArXiv上发表了一篇《图神经网络》综述论文，详细全面总结了最新图神经网络的模型，应用和未来研究方向，是研究该领域的重要的参阅资料。
请关注专知公众号（点击上方蓝色专知进行关注）
后台回复“GNNMA” 就可以获取图神经网络综述论文pdf下载链接~
图神经网络
网址：
http://www.zhuanzhi.ai/paper/488d7f3542ddb0fbda2d94de0a95f882
摘要：
很多学习任务都需要处理图形数据，这些数据包含了元素之间丰富的关系信息。建模物理系统，学习分子指纹，预测蛋白质界面，以及疾病分类都需要模型从图形输入中学习。在从文本、图像等非结构化数据学习等领域，对提取出的句子依赖树、图像场景图等结构进行推理是一个重要的研究课题，也需要图形推理模型。图神经网络(GNNs)是一种连接主义模型，它通过在图的节点之间传递消息来获取图的依赖性。与标准神经网络不同的是，图神经网络保留了一种状态，这种状态可以用任意深度表示邻居的信息。虽然原始图神经网络很难训练成定点，但是最近在网络结构、优化技术和并行计算方面的进展使得利用它们进行成功的学习成为可能。近年来，基于图卷积网络(GCN)和门控图神经网络(GGNN)的系统在上述许多任务上都表现出了突破性的性能。在本研究中，我们对现有的图神经网络模型进行了详细的回顾，系统地对其应用进行了分类，并提出了四个有待进一步研究的问题。
图神经网络概览
联系客服
