GNN相关论文tips

• 基于谱图理论(Spectral Graph Theory)发展而来的谱聚类相关算法[1]，可以用来解决图的分割或节点的聚类问题。
• 统计学习方法(Statistical Relational Learning)[2]将关系表示和似然表示相结合，区别于传统的机器学习算法对数据的独立同分布(independent and identicall distributed，数据对象是同类且独立不相关)的假设，统计关系学习打破了对数据的两种假设，对图数据的学习具有更好的契合度。
• 异构信息网络(heterogeneous information network)[3]用以挖掘更贴合实际场景中的异构图数据中更加全面的结构信息和丰富的语义信息。
• 网络表示学习(network embedding)[4 ]很难提供表示学习加任务学习的端到端系统，基于此，图数据的端对端学习系统仍然是一个重要的研究课题。
• 图神经网络(graph neural network,GNN)是基于图卷积并不断衍生的神经网络理论。
• 在GNN前，处理图数据的方式是在数据的预处理阶段将图转化为一组向量表示。这种方法的问题是图中的结构信息可能会丢失，并且得到的结果会严重依赖于对图的预处理。GNN是为了能够将学习过程直接架构于图数据上。
• 基于频域卷积的方法在计算时需要同时处理整个图，并且需要承担矩阵分解时很高的时间复杂度，这很难使学习系统扩展导大规模图数据的学习任务上，所以基于空域的图卷积被提出并逐渐流行。

参考文献

1. Luxburg U V . A tutorial on spectral clustering[J]. Stats and Computing, 2007, 17(4):395-416.
2. Getoor L , Taskar B . Introduction to Statistical Relational Learning (Adaptive Computation and Machine Learning)[M]. 2007.
3. Shi C , Li Y , Zhang J , et al. A Survey of Heterogeneous Information Network Analysis[J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 29(1):17-37.
4. Peng C , Xiao W , Jian P , et al. A Survey on Network Embedding[J]. IEEE Transactions on Knowledge and Data Engineering, 2017, PP(99):1-1.