图神经网络综述 (中文版)，14页pdf

Posted 2021-04-26 专知

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了图神经网络综述 (中文版)，14页pdf相关的知识，希望对你有一定的参考价值。

摘要：随着计算机行业和互联网时代的不断发展与进步，图神经网络已经成为人工智能和大数据重要研究领域。图神经网络是对相邻节点间信息的传播和聚合的重要技术，可以有效地将深度学习的理念应用于非欧几里德空间的数据上。简述图计算、图数据库、知识图谱、图神经网络等图技术领域的相关研究历史，分类介绍不同类型的图结构。分析对比不同的图神经网络技术，重点从频域和空间与的信息聚合方式上分类比较不同的图卷积网络算法。阐述图生成和图对抗网络、图强化学习、图迁移学习、神经任务图和图零样本学习等不同的图网络与深度学习方法相结合的技术方法，并列举不同的图神经网络技术在文本、图像、知识图谱、视频任务等领域的具体应用。最后，对图神经网络未来的发展与研究方向加以展望。

https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJDAY&filename=JSJC20201123000&v=fpDLQvPDFGeYvQeSgmnh5h1YpkO6G1W6SQqt4w%25mmd2B%25mmd2BnZtjD3h80wKsQ5NhpJeXgtGI

概述

近年来随着计算机行业的快速发展和数据量的井喷式增长，深度学习方法被提出并得到了广泛的应用。深度学习通过神经网络端到端的解决方案，在图像处理、语音识别、语义理解[1]等领域取得了巨大的成功，深度学习的应用往往都是在高维特征空间上特征规则分布的欧几里德数据。作为一种关系型数据结构，图（Graph）在深度学习中的应用研究近年来受到越来越多的关注，本文将图的演进历程分为数学起源、计算应用、神经网络延伸三个阶段。

图的概念起源于 18 世纪著名的柯尼斯堡七桥问题，到了 20 世纪中期，拟阵理论、超图理论、极图理论等研究蓬勃发展，使得图论（Graph Theory）[2] 在电子计算诞生前，就已经成为了重要的数学研究领域。

随着计算机的出现和机器计算时代的到来和发展，图作为一种能够有效且抽象地表达信息和数据中的实体以及实体之间关系的重要数据结构被广泛应用，图数据库有效解决了传统的关系型数据结构面对大量复杂的数据所暴露出的建模缺陷多、计算速度慢等问题，图数据库也成为了非常热门的研究领域。图结构（Graph-structured Data）[3]可以将结构化数据点通过边的形式，依照数据间的关系将不同类型和结构的数据节点连接起来，因而被广泛地应用在数据的存储、检索以及计算应用中。基于图结构数据，知识图谱[4-7]可以通过点和边的语义关系，来实现精确地描述现实世界中实体之间的关联关系，作为人工智能非常重要的研究领域，知识图谱的研究方向包括知识抽取、知识推理、知识图谱可视化等。图计算（Graph Computing）具有数据规模量大、局部性低、计算性能高等特性，图计算算法[8-9]主要可以分为路径搜索算法、中心性算法、社群发现算法等三类，实现了在关系复杂型的大规模数据上高时效性和准确度的表现，在社交网络、团体反欺诈和用户推荐等领域有着重要的应用。

与已经非常成熟图计算不同，图神经网络（Graph Neural Network）的研究主要是集中在相邻节点信息的传播与聚合上，从图神经网络的概念提出，到受深度学习中卷积神经网络的启发，2013 年提出的基于图论的图卷积神经网络 [10-11]研究方向吸引了大量学者关注。2018 年 DeepMind 提出图网络（Graph Network）[12]的概念，希望能够将深度学习端到端的学习方式与图结构关系归纳推理的理论结合解决深度学习无法处理关系推理的问题。针对图神经网络存在的问题，不同的学者们也给出了不同的方案，随着对图神经网络这一新兴领域更加深入的研究与探索，人工智能领域的版图将得到更大扩展。

文献[12]在关系归纳偏置和深度学习的研究基础上，提出了面向关系推理的图网络概念并进行了综述，但未对不同图网络技术进行分类和对比。文献 [13]从半监督、无监督方法的角度对图结构上的深度学习进行了综述，但缺少相近的分类和应用的讨论。文献[14]主要从传播规则、网络结构等角度分析了图神经网络的不同模型以及应用。文献[15]则是详细对比了时域和空间的不同图卷神经网络方法结构，但没有对图神经网络之于深度学习领域的探讨，如图强化学习、图迁移学习等。本文针对图神经网络，分析对比了六种图神经网络方法的优劣，首次对处理异构图数据的图神经网络技术进行了讨论和研究，综述了五类图神经网络的研究领域，并对未来的发展方向进行了展望。

图神经网络综述 (中文版)，14页pdf