全文共3133字,预计学习时长9分钟
来源:Pexels
深度学习已经改变了我们处理数据的方式,通过使用日益增长的计算“廉价”资源(摩尔定律)来解决现实世界问题,并且能够完成一些人脑几乎毫不费力就能完成的认知任务,例如图像分类,自然语言处理,视频处理等等。
但这些任务具有的大多数数据和结构通常是在欧几里得空间中表示的。然而,我们目睹了越来越多的问题,这些问题生成的数据来自非欧几里得域,它们更适合被表示为具有复杂关系和对象之间相互依赖关系的图。
图数据的复杂性给经典ML算法和现代DL算法带来了重大挑战。近来出现了许多扩展DL方法使之用于图数据的研究。
在去年年底发布的一篇题为“图神经网络综述(A Comprehensive Survey on Graph Neural Networks)” [1]的论文中,作者提出了一种新的分类法,其将最新的图神经网络划分为4个主要类别:
· 循环图神经网络(RecGNN)
· 卷积图神经网络(ConvGNN)
· 图自动编码器(GAEs)
· 时空图神经网络(STGNN)
在同一篇论文中,作者举例说明了GNNs的应用: