GNN学习-01：资料

资料选择：

1.review+论文集开始

review和论文集有很多整理，优点是原汁原味+新，缺点是需要有足够的前置知识。

2.中英文教材开始

与方法1相对，时间滞后，但是独立【前置知识会被包括】

*方法2适合刚上研的小白

资料集

• review 及论文：

  • https://github.com/thunlp/GNNPapers

• 中英文教材：

  • https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book.pdf ：Graph Representation Learning
  • http://cse.msu.edu/~mayao4/dlg_book/dlg_book.pdf Deep Learning on Graphs
  • 《深入浅出神经网络:GNN》

• 代码实现： 一个1.3k的github项目：作为一个基本框架

  • https://github.com/graphdeeplearning/benchmarking-gnns
  • https://arxiv.org/pdf/2003.00982.pdf

  GNN成为了G图数据学习的标准工具，在兴起过程中，关键步骤在于确定结构、验真新想法并将其并迁移到更大更复杂的数据中。

  不幸的是在缺乏一个基准的情况下对模型有效性进行衡量是极其困难的。这个基准还需要在任何评估中保持变量设置的一致。

  这篇论文中我们介绍了一种可复现的GNN模型框架，这一框架可以使得研究人员对任意的数据便捷的添加新模型。

  我们通过一个案例验证了框架的有效性，这个案例展示了对最近的WL-GNNs模型和GCNs在不同任务下性能对比的模范性验证。（在中等大小的数据集中，这些任务包括：回归、分类、节点和边的预测）