arXiv综述论文“Graph Neural Networks: A Review of Methods and Applications”

最新推荐文章于 2023-05-28 17:49:28 发布

硅谷秋水

最新推荐文章于 2023-05-28 17:49:28 发布

阅读量1.8k

点赞数 2

分类专栏：自动驾驶

本文链接：https://blog.csdn.net/yorkhunter/article/details/104058697

版权

本文详尽回顾了图神经网络（GNN）的方法和应用，涵盖图卷积网络（GCN）、图注意力网络（GAT）等变型。GNN在处理图数据、建模物理系统、分子学习等领域展现出强大能力，但也面临固定点迭代效率低、参数共享等问题。文章探讨了GNN在结构化和非结构化场景的应用，并提出未来研究的四个关键问题：深化结构、动态图处理、非结构场景建模及扩展性优化。

摘要由CSDN通过智能技术生成

arXiv于2019年7月10日上载的GNN综述论文“Graph Neural Networks:
A Review of Methods and Applications“。
在这里插入图片描述
摘要：许多学习任务需要处理图数据，该图数据包含元素之间的丰富关系信息。建模物理系统、学习分子指纹、预测蛋白质界面以及对疾病进行分类都需要一个模型从图输入学习。在其他如文本和图像之类非结构数据学习的领域中，对提取的结构推理，例如句子的依存关系树和图像的场景图，是一个重要的研究课题，它也需要图推理模型。图神经网络（GNN）是连接主义（connectionist ）模型，可通过图节点之间传递消息来捕获图的依赖性。与标准神经网络不同，图神经网络保留了一种状态，该状态可从其邻域以任意深度表示信息。尽管发现原始GNN对固定点难以训练，但是网络体系结构、优化技术和并行计算的最新进展已能做到成功学习。近年来，基于图神经网络变型的系统，例如图卷积网络（GCN）、图注意力网络（GAT）、门控图神经网络（GGNN），已在上述许多任务有所突破。本次综述对现有的图神经网络模型进行了详细的回顾，对应用程序进行了系统分类，并提出了四个未解决的问题，以供将来研究。