分享3篇关于图神经网络(GNN)的相关综述

本文分享3篇关于图神经网络(GNN)的相关综述:

第1篇是对联邦图神经网络的调研,将目前的工作根据三层分类法进行了划分,即根据数据的原始存在形式、联邦学习的常规设置进行了分类介绍;

第2篇文献则是对几何等变图神经网络的调研,其根据GNN中的消息传递和聚合方式将现有的方法分为三类进行介绍;

第3篇文献则是对异质图神经网络的调研。

1. Federated Graph Neural Networks: Overview, Techniques and Challenges.

论文地址:https://arxiv.org/pdf/2202.07256

摘要:

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,我们通过提供这一新兴领域的全面调研来弥补这一差距。我们提出了关于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,我们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。

分享3篇关于图神经网络(GNN)的相关综述_第1张图片

2. Geometrically Equivariant Graph Neural Networks: A Survey.

论文地址:https://arxiv.org/pdf/2202.07230

摘要:

许多科学问题都要求以几何图形的形式处理数据。与一般图形数据不同,几何图形展示了平移、旋转和/或反射的对称性。研究人员利用这种归纳偏差,开发了几何等变图神经网络(GNN),以更好地表征几何图形的几何和拓扑。尽管取得了丰硕的成果,但仍缺乏对等变GNN进展的综述,这反过来阻碍了等变GNN的进一步发展。为此,基于必要而简明的数学基础,我们根据GNN中的消息传递和聚合的表示方式,将现有的方法分为三类。我们也总结了基准和相关的数据集,以便于以后的研究,为方法学的发展和实验评估。并对未来可能的发展方向进行了展望。

分享3篇关于图神经网络(GNN)的相关综述_第2张图片

3. Graph Neural Networks for Graphs with Heterophily: A Survey.

2022年最新3篇GNN领域综述本文分享3篇关于图神经网络(GNN)的相关综述:第1篇是对联邦图神经网络的调研,将目前的工作根据三层分类法进https://mp.weixin.qq.com/s?__biz=MzIzOTA2NTQ5NA==&mid=2247484390&idx=1&sn=2f83dfc914389525a514b2c99a3d19ca&chksm=e92e831fde590a0982e2087732da45056eaf92e8a8e875466d73d50ce0e7c65f0f3384254864&token=440048940&lang=zh_CN#rd

论文地址:https://arxiv.org/pdf/2202.07082

摘要:

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

分享3篇关于图神经网络(GNN)的相关综述_第3张图片

分享3篇关于图神经网络(GNN)的相关综述_第4张图片

知识图谱AI大本营

知识图谱AI大本营 是一个追踪、解读、讨论和报道知识图谱、深度学习、机器学习等AI前沿成果的学术平台,致力于让人工智能领域的国内外优秀科研工作者们得到交流学习的机会。

2022年最新3篇GNN领域综述本文分享3篇关于图神经网络(GNN)的相关综述:第1篇是对联邦图神经网络的调研,将目前的工作根据三层分类法进https://mp.weixin.qq.com/s?__biz=MzIzOTA2NTQ5NA==&mid=2247484390&idx=1&sn=2f83dfc914389525a514b2c99a3d19ca&chksm=e92e831fde590a0982e2087732da45056eaf92e8a8e875466d73d50ce0e7c65f0f3384254864&token=440048940&lang=zh_CN#rd

你可能感兴趣的:(GNN,神经网络,人工智能,机器学习)