arXiv在12月4号上传的关于GNN综述论文“A Comprehensive Survey on Graph Neural Networks“。
关注文章公众号
对话框回复“paper42”获取本篇论文
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：
下图是卷积GNN和递归GNN的比较：
GNN在不同的任务和领域有许多应用。 尽管一般的任务可以由GNN的每个类别直接处理，包括节点分类、图分类、网络嵌入、图生成和时空图预测，其他与图相关的常规任务，例如节点聚类，链接预测和图分区也可以由GNN解决。GNN在计算机视觉中的应用包括场景图生成、点云分类和动作识别。识别目标之间的语义关系有助于理解视觉场景背后的含义。场景图生成模型旨在将图像解析为由目标及其语义关系组成的语义图。另一个应用是，通过给定场景图生成逼真的图像来逆转该过程。由于自然语言可以解析为语义图，其中每个词代表一个目标，因此对于给定文字描述的图像合成方法是一种很有前途的解决方案。通过对点云进行分类和分割，激光雷达设备可以“看到”周围的环境。点云是通过激光雷达扫描记录的一组3D点。比如将点云转换为k最近邻图或超点图，并使用卷积GNN探究拓扑结构。识别视频中包含的人为行为有助于从机器方面更好地理解视频内容。一些解决方案可以检测视频剪辑中人体关节的位置。通过骨骼链接的人体关节自然会形成图。给定人类关节位置的时间序列，就将时空GNN用于学习人类行为模式。此外，计算机视觉中GNN的应用方向仍在增加。它包括人与目标的交互，少样本图像分类，语义分割，视觉推理和问题解答等。在智能交通系统中，准确预测交通网络中的交通速度、交通量或道路密度至关重要。比如用时空GNN求解交通预测问题，将交通网络视为一个时空图，其中节点是安装在道路上的传感器，边缘是通过节点对之间的距离测量的，每个节点在窗口内的平均交通速度作为动态输入特征。另一个工业级应用是出租车需求预测。 鉴于历史出租车需求、位置信息、天气数据和事件特征，可结合了训练的LSTM、CNN和网络嵌入，形成每个位置的联合表示，预测某个时间间隔内某个位置所需的出租车的数量。其他方面的应用，比如自然语言处理和推荐系统，在此略过。
作者：CSDN-硅谷秋水
