2022图神经网络5篇最新的研究综述：双曲/图分类/联邦/等变/异质性

Posted 2022-03-26 人工智能博士

点上方人工智能算法与Python大数据获取更多干货

在右上方 ··· 设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于 ：深度学习与图网络

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。

下面简单介绍一下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。

• 第一篇是双曲图神经网络

• 第二篇是图分类

• 第三篇是联邦图学习

• 第四篇是等变图神经网络

• 第五篇是图的异质性

1. 2022研究综述：双曲图神经网络

「题目」：Hyperbolic Graph Neural Networks: A Review of Methods and Applications

「作者」：Menglin Yang, Min Zhou, Zhihao Li, Jiahong Liu, Lujia Pan, Hui Xiong, Irwin King

「Arxiv」:https://www.zhuanzhi.ai/paper/2c5935afae019f4d2ac68afae2c35cb5

「GitHub」: https://github.com/marlin-codes/HGNNs 

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。

2. 2022研究综述：基于GNN的图分类研究综述

「题目」：图分类研究综述（已发表-软件学报）

「作者」：王兆慧，沈华伟， 曹婍, 程学旗

「链接」：「图分类研究」最新2022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.

本文首先给出「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.

3. 2022研究综述：联邦图机器学习

「题目」：Federated Graph Neural Networks: Overview, Techniques and Challenges

「作者」：Rui Liu, Han Yu

「链接」

https://www.zhuanzhi.ai/paper/6016172f3654f3a17a8ea37588dba5bb

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，作者通过提供这一新兴领域的全面调研来弥补这一差距。本文提出了关于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，作者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。

4. 2022研究综述：等变图神经网络

「题目」：Geometrically Equivariant Graph Neural Networks: A Survey

「作者」：Jiaqi Han, Yu Rong, Tingyang Xu, Wenbing Huang

「Link」: https://www.zhuanzhi.ai/paper/497877125c324d2c494c2385a60d8cdd 

许多科学问题需要以几何图的形式处理数据。与一般图数据不同，「几何图表现出平移、旋转和/或反射的对称性」。研究人员利用这种归纳偏差并开发了几何等变图神经网络 (GNN) 来更好地表征几何图的几何和拓扑。尽管取得了丰硕的成果，但它仍然缺乏描述等变 GNN 如何进展的调查，这反过来又阻碍了等变 GNN 的进一步发展。为此，基于必要但简明的数学预备知识，作者分析现有方法并将其分为三组，以了解如何表示 GNN 中的消息传递和聚合。还总结了基准以及相关数据集，以方便后期研究方法开发和实验评估。还提供了对未来潜在方向的展望。

5. 2022研究综述：具有异质性的图的图神经网络

「题目」：Graph Neural Networks for Graphs with Heterophily: A Survey

「作者」：Xin Zheng, Yixin Liu, Shirui Pan, Miao Zhang, Di Jin, Philip S. Yu

「链接」：

https://www.zhuanzhi.ai/paper/acfc170e2d40a073089f0861e611bb86

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。本文首次对异质图的gnn作了一个全面的综述。具体来说，作者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，作者总结了主流的异亲图基准，以促进稳健和公平的评估。最后，本文指出了在异亲图研究和应用方面的潜在发展方向。

---------♥---------

声明：本内容来源网络，版权属于原作者

图片来源网络，不代表本公众号立场。如有侵权，联系删除

AI博士私人微信，还有少量空位

如何画出漂亮的深度学习模型图？

如何画出漂亮的神经网络图？

一文读懂深度学习中的各种卷积

点个在看支持一下吧