arXiv综述论文“Graph Neural Networks: A Review of Methods and Applications”

arXiv于2019年7月10日上载的GNN综述论文“Graph Neural Networks:
A Review of Methods and Applications“。

摘要：许多学习任务需要处理图数据，该图数据包含元素之间的丰富关系信息。建模物理系统、学习分子指纹、预测蛋白质界面以及对疾病进行分类都需要一个模型从图输入学习。在其他如文本和图像之类非结构数据学习的领域中，对提取的结构推理，例如句子的依存关系树和图像的场景图，是一个重要的研究课题，它也需要图推理模型。图神经网络（GNN）是连接主义（connectionist ）模型，可通过图节点之间传递消息来捕获图的依赖性。与标准神经网络不同，图神经网络保留了一种状态，该状态可从其邻域以任意深度表示信息。尽管发现原始GNN对固定点难以训练，但是网络体系结构、优化技术和并行计算的最新进展已能做到成功学习。近年来，基于图神经网络变型的系统，例如图卷积网络（GCN）、图注意力网络（GAT）、门控图神经网络（GGNN），已在上述许多任务有所突破。本次综述对现有的图神经网络模型进行了详细的回顾，对应用程序进行了系统分类，并提出了四个未解决的问题，以供将来研究。

GNN的局限性在于：

1. 针对固定点迭代更新节点的隐状态效率低下。如果放宽不动点的假设，可以设计一个多层GNN以获得节点及其邻域的稳定表示。
2. GNN在迭代中使用相同的参数，而最流行的神经网络在不同的层中使用不同的参数࿰