admin 管理员组

文章数量: 1184232

arXiv在2019年12月4号上传的关于GNN综述论文“A Comprehensive Survey on Graph Neural Networks“。

摘要：近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务的数据通常在欧氏空间中表示。但是，越来越多的应用程序从非欧域生成数据，并将数据表示为具有目标之间复杂关系和相互依赖关系的图。图数据的复杂性对现有的机器学习算法提出了重大挑战。最近，出现了许多有关扩展图数据深度学习方法的研究。该综述提供了数据挖掘和机器学习领域中图神经网络（GNN）的全面概述，其中提出了一种新的分类法，将最新的图神经网络分为四类，即递归图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。进一步的讨论还有图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，提出了这个快速发展领域中潜在的研究方向。

图卷积可以从2D卷积中概括出来。 如图所示，可以将图像视为像素相邻像素连接的图形的特殊情况。 与2D卷积类似，可以通过获取节点邻域信息的加权平均值来执行图卷积。

如图给出代表性的GNN文献分类：

采用图卷积层构造的不同典型GNN模型如下：

本文标签： 论文 Comprehensive Survey Networks Neural

版权声明：本文标题：综述论文“A Comprehensive Survey on Graph Neural Networks” 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/1758749911a3090046.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。