使用循环神经网络学习图级表示

May, 2018

Learning Graph-Level Representations with Gated Recurrent Neural Networks

Yu Jin, Joseph F. JaJa

TL;DR本文提出了一种结合无监督和有监督学习组成的方法，通过利用random walk方法和Gumbel-Softmax分布将图节点映射到节点序列，然后使用修改后的RNN神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。

Abstract

Recently a variety of methods have been developed to encode graphs into low-dimensional vectors that can be easily exploited by machine learning algorithms. The majority of these methods start by embedding the graph nodes into a low-dimensional vector space, followed by using some scheme to aggregate the node embeddings. In this work, we develop a new approa

发现论文，激发创造

门控图序列神经网络

本论文研究图结构数据的学习技术，以 Graph Neural Networks 为起点，使用门控循环单元和现代优化技术，并将其扩展为输出序列，展示出其在一些简单的 AI 和图算法学习任务中的能力，并在程序验证的问题中实现了最新水平的性能。

Nov, 2015

残差门控图卷积网络

本文研究了将深度学习方法推广到图论领域，通过对比RNN和ConvNet的效果，将门控边缘和残差技术用于设计神经网络对图学习任务进行分类，获得了比现有方法更高的准确率和更快的速度。

Nov, 2017

用变分循环神经网络进行图分类

本文提出了一种基于自然语言处理技术的图分类方法，使用结构信息嵌入，采用类似于NLP的证明技术，对几个标准分子数据集进行了实验，取得了最先进的分类结果，并对节点预测是否有助于更好地分类图进行了定性分析。

Feb, 2019

图学习网络: 一种结构学习算法

本文提出了基于图卷积神经网络的Graph Learning Network模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019

快速深度图神经网络

本文提出了一种有效构建深度图神经网络的方法。该方法利用动力系统中固定点的思想，通过递归神经网络实现，并采用深度架构组织递归单元。我们证明了即使在没有训练递归连接的情况下，小型的深度图神经网络的性能也能达到或超过当前最先进的图分类任务水平。

Nov, 2019

图形深度学习简介

本文介绍了深度学习在图数据处理方面的应用，设计了一种基于局部和迭代方法的图表征学习通用方法，并探讨了研究挑战和应用领域。

Dec, 2019

图上的机器学习：模型和综合分类

本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。

May, 2020

使用循环图神经网络学习图算法

针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

Dec, 2022

深度图表示学习的综合调查

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

循环距离编码神经网络用于图表示学习

通过最短距离和线性循环网络，我们提出了一种新的图神经网络架构，以解决信息提取和计算复杂度的挑战，并在各个基准测试中展示了与最新颖的图转换器相比性能具有竞争力且计算复杂度大大降低。

Dec, 2023