文章目录
1、Introduction
图是一种数据结构,它对一组对象(nodes)及其关系(edges)进行建模。近来,用机器学习分析图的研究受到越来越多的关注,因为图具有巨大的表达能力,即图可以作为大量系统的表征,横跨各个领域,包括社会科学(social network)[Hamilton et al., 2017b, Kipf and Welling, 2017],、自然科学(physical systems)[Battaglia et al., 2016, Sanchez et al., 2018] 和蛋白质-蛋白质相互作用网络 [Fout et al., 2017]、知识图谱 [Hamaguchi et al., 2017] 和其他许多研究领域 [Khalil et al., 2017] 。作为机器学习的一种独特的非欧式数据结构,图引起了人们对关注节点分类、链接预测和聚类的分析。图神经网络(GNNs)是基于深度学习的方法,操作于图域。由于GNN具有令人信服的性能和较高的可解释性,近来成为一种应用广泛的图分析方法。在下面的段落中,我们将说明GNN的基本动机。
1.1 MOTIVATIONS
1.1.1 CONVOLUTIONAL NEURAL NETWORKS
首先,GNNs的动机是卷积神经网络(CNNs)LeCun et al. [1998]。CNNs具有能够对多尺度局部空间特征进行提取和合成,以获得高表示能力的特征