【图神经网络】必读论文合集推荐 丨DeepMind研究者证明图神经网络与动态规划存在错综复杂的联系

论文合集下载链接：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd99?f=cs

DeepMind 的研究者推导出了一个通用的积分变换图，证明图神经网络 (GNN) 与动态规划 (DP)存在着错综复杂的联系。图神经网络近年来得到了广泛应用，因此，AMiner为您准备了上百篇关于图神经网络的论文，等您来学习~ 先来简单了解一下图神经网络：

图神经网络的概念首先是在 F. Scarselli 等人的论文 The graph neural network model（F. Scarselli et. al. 2009）中提出的。图神经网络是连接主义与符号主义的有机结合，不仅使深度学习模型能够应用在图这种非欧几里德结构上，还为深度学习模型赋予了一定的因果推理能力。

1.Network Representation Learning: A Survey.

“我们对数据挖掘和机器学习领域有关网络表示学习的当前文献进行了全面回顾。我们提出了新的分类法来分类和总结最先进的网络表示学习…”

PDF下载链接：https://www.aminer.cn/pub/5a9cb65d17c44a376ffb807d/?f=cs

2.Graph Convolutional Neural Networks via Scattering.

“我们将散射变换推广到图中，从而在图上构造卷积神经网络。我们表明，在某些条件下，由这种网络生成的任何特征对于排列都是近似不变的，并且对于信号和图形操作是稳定的…”

PDF下载链接：https://www.aminer.cn/pub/5aed14d617c44a4438158bc2/?f=cs

3.EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks

“我们对上海交通大学情绪脑电图数据集（SEED）和梦想家数据集进行了广泛的实验。实验结果表明，与现有方法相比，所提方法的识别性能更好，在SEED数据库中，受试者依赖性实验的平均识别准确率为90.4%，受试者独立交叉验证的平均识别率为79.95%，DREAMER数据库的效价、唤醒和优势分类的平均准确率分别为86.23%、84.54%和85.02%…”

PDF下载链接：https://www.aminer.cn/pub/5c7573b5f56def97988c92c6/?f=cs

4.Convolutional Graph Autoencoder: A Generative Deep Neural Network for Probabilistic Spatio-temporal Solar Irradiance Forecasting

“我们提出了一种可扩展的生成优化/算法，理论上证明可以捕获图节点处的分布。我们的模型能够从每个节点上学到的概率密度生成样本…”

PDF下载链接：https://www.aminer.cn/pub/5ce2d251ced107d4c64c5d19/?f=cs

5.GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training

“我们对三个图形学习任务和十个图形数据集进行了广泛的实验。结果表明，在一系列不同数据集上进行预训练的GCC可以实现与其特定任务和从头开始训练的同行相比具有竞争力或更好的性能。这表明，预训练和微调范式为图表示学习提供了巨大的潜力…”

PDF下载链接：https://www.aminer.cn/pub/5eede0b091e0116a23aafbd3/?f=cs

此外，AMiner还整理出了【图神经网络在知识图谱上的应用】、【图神经网络在计算机视觉上的应用】、【图神经网络在自然语言处理中应用】、【图神经网络在物理、化学和生物上的应用】等多个论文合集，点击链接进入AMiner官网查看：https://www.aminer.cn/?f=cs

#人工智能# #图神经网络# #深度学习模型# #因果推理#