图神经网络_08-总结

图神经网络总结

经过前面几节的学习，我们再来回顾一下图神经网络。

图神经网络作用

图神经网络是人们通过在深度学习的研究中在图上扩展出来的新的神经网络，通过借鉴卷积神经网络、循环神经网络的思想，设计了用于处理图数据的神经网络结构。目前图神经网络中相关的研究热点方向包括了以下三种：

1. 数据具有明确关系的结构场景，如物理系统，分子结构和知识图。
2. 非结构性场景，关系结构不明确，包括图像、文本等。
3. 其他应用场景，如生成模型和组合优化问题。

图神经网络种类

图神经网络发展也很丰富，主要有这几种：图卷积网络（Graph Convolution Networks，GCN）、 图注意力网络（Graph Attention Networks）、图自编码器（ Graph Autoencoders）、图生成网络（ Graph Generative Networks） 和图时空网络（Graph Spatial-temporal Networks）等。

图神经网络应用

1. 计算机视觉

图形神经网络的最大应用领域之一是计算机视觉。研究人员在场景图生成、点云分类与分割、动作识别等多个方面探索了利用图结构的方法。
在场景图生成中，对象之间的语义关系有助于理解视觉场景背后的语义含义。给定一幅图像，场景图生成模型检测和识别对象，并预测对象对之间的语义关系。另一个应用程序通过生成给定场景图的真实图像来反转该过程。自然语言可以被解析为语义图，其中每个词代表一个对象，这是一个有希望的解决方案，以合成给定的文本描述图像。

2. 推荐系统

基于图的推荐系统以项目和用户为节点。通过利用项目与项目、用户与用户、用户与项目之间的关系以及内容信息，基于图的推荐系统能够生成高质量的推荐。

3. 交通系统

交通拥堵已成为现代城市的一个热点社会问题。准确预测交通网络中的交通速度、交通量或道路密度，在路线规划和流量控制中至关重要。有学者采用基于图的时空神经网络方法来解决这些问题。

4. 化学研究

在化学中，研究人员应用图神经网络研究分子的图结构。在分子图中，原子为图中的节点，化学键为图中的边。节点分类、图形分类和图形生成是分子图的三个主要任务，它们可以用来学习分子指纹、预测分子性质、推断蛋白质结构、合成化合物。

5. 其他方面

除了以上四个领域外，图神经网络还已被探索可以应用于其他问题，如程序验证、程序推理、社会影响预测、对抗性攻击预防、电子健康记录建模、脑网络、事件检测和组合优化。