【图卷积神经网络】图卷积神经网络paper目录

前言：今天下午有幸听了中国中文信息学会和北京智源组织的图神经网络在线研讨会，虽然自己是个做CV的，但是对这一块还是蛮感兴趣的，借助于中国科学院计算技术研究所的沈华伟老师的精彩分享，在此次报告中对于图卷积神经网络的历史、发展现状、未来展望进行了高度总结，对于我这种刚看了几篇相关paper的小白犹如醍醐灌顶，特此做一下相关paper的笔记，也算是接下来paper阅读的路径吧。行文比较简单，先做个大纲，后续可能会有详细论文笔记，也算是对自己的督促。

1.图卷积神经网络划分

1.基于谱方法的图卷积神经网络：卷积经由傅里叶变换和卷积定理定义。

2.基于空间方法的图卷积神经网络：定义在目标顶点邻域的加权平均函数。

谱方法算是空间方法的特例，两者为被包含和包含的关系。

2.基于谱方法的图卷积神经网络相关paper

顺序分先后

（1）J. Bruna, W. Zaremba, A. Szlam, and Y.LeCun. Spectral networks and locally connected  networks on graphs.

ICLR, 2014.

（2）M. Defferrard, X. Bresson, P. Vandergheynst. Convolutional neural networks on graphs  with fast localized spectral filtering. NeuraIPS, 2016.

（3）Xu B , Shen H , Cao Q , et al. Graph Wavelet Neural Network[J]. 2019.

2.基于空间方法的图卷积神经网络相关paper

可简单将卷积计算划分为以下三步：（1）各点邻域确定；（2）对于各点邻域内各点次序确定；（3）参数共享，卷积计算。而CNN无法应用到图结构的数据上的原因就在于第（1），（2）条，所以只要能够确定图中一个顶点的邻域以及其中点的顺序，那么就能够对图结构数据进行卷积操作。

（1）M. Niepert, M. Ahmed, K. Kutzkov. Learning Convolutional Neural Networks for Graphs.  ICML, 2016.

（2）W. L. Hamilton, R. Ying, J. Leskovec. Inductive Representation Learning on Large Graphs.  NeuraIPS2017.

（3）T. N. Kipf, and M. Welling. Semi-supervised classification with graph convolutional  networks. ICLR 2017.

（4）P. Velickovic, G. Cucurull, A. Casanova, A. Romero, P. Lio, Y. Bengio. Graph Attention  Networks. NeuraIPS2018.

（5）F. Monti, D. Boscaini, J. Masci, E. Rodola, J. Svoboda, M. M. Bronstein. Geometric deep  learning on graphs and manifolds using mixture model CNNs. CVPR 2017.

（6）Bingbing Xu, Huawei Shen, Qi Cao, Keting Cen, Xueqi Cheng. Graph Convolutional Networks using Heat Kernel for Semi-supervised Learning, IJCAI 2019.