Graph Neural Networks: A Review of Methods and Applications简介

Jie Zhou et al. 2018.

前言

刚刚看了PRML的图模型，想对图模型做进一步的了解，便看了这篇图神经网络（Graph Neural Networks）的综述。但发现，目前关于图神经网络的研究仅仅只是利用图结构来表示神经网络的输入，而没有利用任何与图相关的推断知识，相信图模型在神经网络中的应用有进一步的发展。

背景

图是一种使用广泛的数据结构，节点表示对象，边表示关系，其在机器学习领域也有着广泛的应用，如社交网络、生物工程、知识图谱等，主要用于节点分类（node classfication）、链接预测（link prediction）、聚类（clustering）等任务。

研究图与深度学习结合得到图神经网络的动机有二：（1）传统的CNN只能处理常规的基于欧式距离的图像，并且图可以表达CNN的三大思想，即局部连接、权重共享和多层模型；（2）图的向量表示技术众多，但无参数共享，并且泛化性能较差（无法处理动态图和新图）。

图神经网络及其变种

简单来说，图神经网络就是使用图结构去表示输入的神经网络，目标是学习图中各节点的状态信息（包含邻接信息），其有两个主要的函数，局部转换函数 h