当前位置: 代码迷 >> 综合 >> 图神经网络论文-A Comprehensive Survey on Graph Neural Networks
  详细解决方案

图神经网络论文-A Comprehensive Survey on Graph Neural Networks

热度:24   发布时间:2023-11-15 21:44:55.0

目录

1、前言:

2、 Abstract:

一、什么是图神经网络

二、有哪些图神经网络

三、图神经网络的应用

3、神经网络常用的缩写

5、论文详情笔记

5.1 什么是图神经网络

5.2 图嵌入和图神经网络的区别

5.3 图卷积网络(GCN)

5.4 GCN方法又可以分为两大类


1、前言:

这部分其实和上一篇学习的论文属于一种概述性的,因此采用初略的阅读,最主要的处理是对论文大致的中文进行梳理,对神经网络常用的缩写进行梳理、以及对于论文的概括。

2、 Abstract:

一、什么是图神经网络

用于处理图数据的神经网络结构,与图嵌入或网络嵌入密切相关,图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。嵌入旨在通过保留图的网络拓扑结构和节点内容信息,将图中顶点表示为低维向量,以便使用简单的机器学习算法(例如,支持向量机分类)进行处理.

二、有哪些图神经网络

图神经网络划分为五大类别,分别是:

  • 图卷积网络(Graph Convolution Networks,GCN)
  • 图注意力网络(Graph Attention Networks)
  • 图自编码器( Graph Autoencoders)
  • 图生成网络( Graph Generative Networks)
  • 图时空网络(Graph Spatial-temporal Networks)

三、图神经网络的应用

  • 计算机视觉Computer Vision(CV

  • 推荐系统Recommender Systems

  • 交通运输Traffic

3、神经网络常用的缩写

图卷积网络(Graph Convolution Networks,GCN)图注意力网络(Graph Attention Networks,(GAN\GAT))图自编码器( Graph Autoencoders)图生成网络( Graph Generative Networks)图时空网络(Graph Spatial-temporal Networks)图神经网络 GNN 几何深度学习 GDL 图表示学习 GRL 基于空间的图卷积神经网络Spatial-based Graph Convolutional Networks 门控注意力网络(Gated Attention Network)(GANN)图形注意力模型(Graph Attention Model)(GAM)图自动编码器(Graph Autoencoders)Graph Autoencoder (GAE)和Adversarially Regularized Graph Autoencoder (ARGA)图自编码器的其它变体有:具有反向正则化自动编码器的网络表示Network Representations with Adversarially Regularized Autoencoders (NetRA)用于图表示的深度神经网络Deep Neural Networks for Graph Representations (DNGR)结构深网嵌入Structural Deep Network Embedding (SDNE)深度递归网络的嵌入Deep Recursive Network Embedding (DRNE)图生成网络 Graph Generative Networks分子生成对抗网络 Molecular Generative Adversarial Networks (MolGAN)Deep Generative Models of Graphs (DGMG)图时空网络Graph Spatial-Temporal Networks扩散卷积递归神经网络 Diffusion Convolutional Recurrent Neural Network (DCRNN)CNN-GCNSpatial Temporal GCN (ST-GCN)Structural-RNN

5、论文详情笔记

5.1 什么是图神经网络

因为传统的深度学习被应用在非欧式空间上具有局限性。例如,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 在处理时面临着巨大的挑战。这是因为图是不规则的,每个图都有一个大小可变的无序节点,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。

5.2 图嵌入和图神经网络的区别

5.3 图卷积网络(GCN)

5.4 GCN方法又可以分为两大类

基于谱(spectral-based)和基于空间(spatial-based)

基于谱的方法从图信号处理的角度引入滤波器来定义图卷积,其中图卷积操作被解释为从图信号中去除噪声。基于空间的方法将图卷积表示为从邻域聚合特征信息,当图卷积网络的算法在节点层次运行时,图池化模块可以与图卷积层交错,将图粗化为高级子结构。如下图所示,这种架构设计可用于提取图的各级表示和执行图分类任务。

在下面,我们分别简单介绍了基于谱的GCN基于空间的GCN

现有的基于谱的图卷积网络模型有以下这些:Spectral CNN、Chebyshev Spectral CNN (ChebNet)、Adaptive Graph Convolution Network (AGCN)

基于谱的图卷积神经网络方法的一个常见缺点是,它们需要将整个图加载到内存中以执行图卷积,这在处理大型图时是不高效的。

参考文献

知乎:https://zhuanlan.zhihu.com/p/62629465

  相关解决方案