大火了5年的图神经网络到底是什么？|| 不可不读的2022最新图神经网络相关的5篇研究综述...-CSDN博客

点击上方蓝字关注我们

近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。

下面介绍一下2022年最新的研究综述，这些也是最近的研究趋势，希望对大家的研究有所帮助。

2022研究综述：双曲图神经网络

近年来，图神经网络得到了广泛的关注和发展。目前有非常多优秀的工作是研究图神经网络的，而神经网络也成为了ICML，NeurIPS，ICLR中的热门话题。在这些顶会研究中，也发现了另外一些有意思的工作，也就是基于双曲空间的图神经网络。简单来说，是将图神经网络建立在双曲空间，而不是我们常见的欧式空间中。那么双曲空间是什么呢？为什么要建立在双曲空间中？建立在双曲空间中的使用图神经网络有哪些优势呢？它是如何建立的呢？双曲图神经网络有哪些应用呢？以及双曲图神经网络研究目前的困难和一些机会是什么呢？这篇研究综述主要是讲解这些内容。

论文信息，请到跳转到最后

2022研究综述：基于GNN的图分类研究综述

图数据广泛存在于现实世界中, 可以自然地表示复合对象及其元素之间的复杂关联. 对图数据的分类是一个非常重要且极具挑战的问题, 在生物/化学信息学等领域有许多关键应用, 如分子属性判断, 新药发现等. 但目前尚缺乏对于图分类研究的完整综述. 首先给出图分类问题的定义和该领域的挑战; 然后梳理分析了两类图分类方法—基于图相似度计算的图分类方法和基于图神经网络的图分类方法; 接着给出了图分类方法的评价指标、常用数据集和实验结果对比; 最后介绍了图分类常见的实际应用场景, 展望了图分类领域的未来研究方向并对全文进行总结.

论文信息，请到跳转到最后

2022研究综述：联邦图机器学习

主要内容

图神经网络在实际应用中具有强大的数据处理能力，因此受到了广泛的关注。然而，随着社会越来越关注数据隐私，GNN面临着适应这种新常态的需要。这导致了近年来联邦图神经网络(Federated Graph Neural Network，简称FedGNNs)研究的迅速发展。尽管这一跨学科领域前景广阔，但对感兴趣的研究人员来说具有很高的挑战性。在这个话题上缺乏有见地的调研只会加剧这个问题。

在这篇论文中，我们通过提供这一新兴领域的全面调研来弥补这一差距。我们提出了关于FedGNN文献的一个独特的三层分类法（如图1所示），以提供一个清晰的视角来了解GNN在联邦学习(FL)环境中是如何工作的。它通过分析图数据如何在FL设置中表现自己，如何在不同的FL系统架构下进行GNN训练，如何在不同的数据竖井中进行图数据重叠程度，以及如何在不同的FL设置下进行GNN聚合，将现有的工作纳入视野。通过对现有工作的优势和局限性的讨论，我们展望了未来的研究方向，可以帮助构建更健壮、动态、高效和可解释的联邦图神经网络。

论文信息，请到跳转到最后

2022研究综述：等变图神经网络

许多科学问题都要求以几何图形的形式处理数据。与一般图形数据不同，几何图形展示了平移、旋转和/或反射的对称性。研究人员利用这种归纳偏差，开发了几何等变图神经网络(GNN)，以更好地表征几何图形的几何和拓扑。尽管取得了丰硕的成果，但仍缺乏对等变GNN进展的综述，这反过来阻碍了等变GNN的进一步发展。为此，基于必要而简明的数学基础，我们根据GNN中的消息传递和聚合的表示方式，将现有的方法分为三类。我们也总结了基准和相关的数据集，以便于以后的研究，为方法学的发展和实验评估。并对未来可能的发展方向进行了展望。

论文信息，请到跳转到最后

2022研究综述：具有异质性的图的图神经网络

近年来，图神经网络(GNN)得到了迅速的发展，为无数的图分析任务和应用提供了便利。一般来说，大多数GNN依赖于同质性假设，即属于同一类的节点更有可能被连接。然而，作为现实世界众多场景中普遍存在的图属性，异质性(即具有不同标签的节点往往被链接)严重限制了定制同质GNN的性能。因此，GNN for Heterophilic Graphs在这个社区中得到了越来越多的关注。据我们所知，本文首次对异质图的gnn作了一个全面的综述。具体来说，我们提出了一个系统的分类法，该分类法本质上支配着现有的亲异GNN模型，并对其进行了一般性的总结和详细的分析。此外，我们总结了主流的异亲图基准，以促进稳健和公平的评估。最后，我们指出了在异亲图研究和应用方面的潜在发展方向。