admin 管理员组

文章数量: 1184232

A Comprehensive Survey on Graph Neural Networks
原文链接 https://ieeexplore.ieee/stamp/stamp.jsp?tp=&arnumber=9046288

图是现实社会中最常见的数据结构，每一个个体都可以看作点，每一个联系都可以看作边，无数种实体关系可以由图来表示，并通过图算法进行分析。

神经网络对对于向量是友好的，图的点和边都可以表达为向量。

为什么要有GCN，CNN哪里不行

原因在于CNN无法处理非欧氏空间的数据

在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。这是因为图是不规则的，图中的每个节点都有不同数量的相邻节点，导致一些重要的操作（例如卷积）在图像（Image）上很容易计算，但不再适合直接用于图。

此外，现有深度学习算法的一个核心假设是数据样本之间彼此独立。然而，对于图来说，情况并非如此，图中的每个数据样本（节点）都会有边与图中其他实数据样本（节点）相关，这些信息可用于捕获实例之间的相互依赖关系。

本文标签： 神经网络 通俗 笔记 论文 Comprehensive

版权声明：本文标题：GNN 图神经网络 通俗理解(A Comprehensive Survey on Graph Neural Networks论文阅读笔记) 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/b/1758721405a3089663.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。