综述了图神经网络 (GNNs) 的应用、图数据和深度学习的扩展,以及 GNNs 的高级领域:图生成。
Mar, 2024
深度学习在图神经网络中的非欧几里得空间的生物信息学研究中具有潜在的优势,能够解决与生物相关的复杂图形问题。
Nov, 2023
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略:图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法,并提出了潜在的未来研究方向和应用领域。
Dec, 2018
本文介绍了图神经网络(GNNs)的设计管道,详细讨论了其各个组成部分的变体,对其应用进行了系统分类,并提出了四个开放性问题供未来研究。
本研究综述了基于图形神经网络在自然语言处理中的应用,并提出了一个新的分类(基于图构建、图表示学习和基于图的编码器 - 解码器模型),同时介绍了许多利用 GNN 的 NLP 应用程序,并总结了相应的基准数据集、评估指标和开源代码;最后,讨论了利用 GNN 进行 NLP 的各种未解决问题以及未来的研究方向。
Jun, 2021
本文总结和分类大规模图神经网络解决方案的重要方法和技术,并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。
May, 2023
本综述文章研究了图卷积神经网络及其在节点分类等领域的应用,并阐述了构建图卷积算子和图池算子的关键步骤。
Jul, 2023
这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法:GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后,本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统,并就可伸缩 GNNs 的未来方向进行了讨论。
Nov, 2022
该研究论文通过对 GNNs 的计算效率进行探讨,提供了该领域的回顾,包括对 GNN 的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结;同时,提供了对当前软件和硬件加速方案的深入分析,并提出了一个面向硬件和软件的、图形感知和通信为中心的 GNN 加速器的愿景。
Sep, 2020
研究发现了图神经网络在因果分析方面的潜力,通过评估不同数据环境中九个基准图分类模型的效率和灵活性,突显了预测能力以及需求进一步提升的领域。
Jan, 2024