Graph Representation Learning 阅读笔记

Abstarct

inductive biases - 归纳偏执
belief propagation - 信念传播

从电信网络到量子化学，图结构化数据在自然科学和社会科学中无处不在。如果我们希望系统能够从此类数据中进行学习，推理和推广，那么将归纳归纳关系构建到深度学习架构中就至关重要。近年来，图表示学习的研究激增，包括用于深图嵌入，将卷积神经网络泛化为图结构数据的技术以及受信念传播启发的神经信息传递方法。这些在图形表示学习方面的进步已经导致了许多领域的最新技术成果，包括化学合成、3d视觉、推荐系统、问答和社会网络分析。

本书的目的是提供图形表示学习的综合和概述。我们首先讨论图形表示学习的目标，以及图形理论和网络分析的主要方法论基础。 在此之后，我们介绍并回顾了用于学习节点嵌入的方法，包括基于随机游走的方法和对知识图谱的应用。然后，我们对高度成功的图神经网络（GNN）形式主义进行了技术综合和介绍，该形式主义已成为使用图数据进行深度学习的一种主要且快速增长的范例。本书最后总结了图的深度生成模型中的最新进展，这些模型是新生的，但增长迅速的图表示学习子集。