码住！热门且创新idea：GNN+强化学习！

如何提高学习效率、优化策略，并解决复杂的图结构相关问题？或许你可以考虑：GNN+强化学习。

GNN结合强化学习是当前的热门创新方向，它通过利用GNN在图形数据上的强大表示能力与强化学习在决策制定中的优势，不仅能够有效处理复杂的图结构数据，还能解决需要序列决策的实际问题，给我们提供解题的新思路。

但这种策略也存在挑战，如需大量数据、计算资源等。目前的研究也着力于改善这一结合的有效性和效率。比如最新提出的MAG-GNN，利用强化学习来提高GNN的效率和表达力，在减少计算复杂度的同时，也能提升模型的性能。

今天我从这些最新研究中挑选了12个高质量成果供同学们参考学习，开源的代码也整理了，帮助各位寻找灵感、打磨论文。

论文原文+开源代码需要的同学看文末

MAG-GNN: Reinforcement Learning Boosted Graph Neural Network

方法：本文提出了一种基于强化学习的图神经网络方法，称为MAG-GNN，通过使用强化学习（RL）来定位具有区分性的子图集合，从而降低了子图GNN的计算复杂度，同时保持了良好的表达能力。实验结果表明，MAG-GNN在多个数据集上取得了与最先进方法相竞争的性能，并且比许多子图GNNs取得了更好的效果。