基于图形的深度学习用于通信网络:一项调研
本文简要介绍了 GNN(图神经网络)的构建方法和在无线网络中的应用,包括资源分配和新兴领域的探索,并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。
Jul, 2021
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用,提出了四种图神经网络的分类,并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估,并提出了该领域的潜在研究方向。
Jan, 2019
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
GNN 可以作为一种新一代的数据驱动模型应用于通信网络的建模、控制和管理中,其优势在于可以应用于训练过程中未看到的其他网络和配置,以实现网络优化等诸多应用。
Dec, 2021
本论文对交通预测问题中应用图神经网络(包括图卷积和图注意力网络)进行了全面的综述和研究,展示了其在不同交通预测问题方面,如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等,取得的最新成果。同时,还提供了每个问题的公开数据和资源列表,并提出了未来的研究方向。
Jan, 2021
本综述对基于深度学习的图形生成方法进行了全面调查,并将其分为自回归,自编码,强化学习,对抗生成和流生成五类,给出了各类方法的详细描述,并介绍了公开源代码,常用数据集和最广泛使用的评估指标,最后强调了现有的挑战和讨论了未来的研究方向。
Dec, 2020
本文综述了图学习领域的现状和发展,主要包括四种现有的学习方法:图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用,以及该领域未来的研究方向。
May, 2021
本文提出了一种网络社区发现方法的统一架构,对现有的社区检测方法进行了全面的综述,并将现有的方法分为两类:概率图模型和深度学习。作者还释放了几个基准数据集,并概述了这些数据集的应用。该研究为进一步研究这一领域的挑战和未来方向提供了基础。
Jan, 2021
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
本文介绍了利用深度学习技术在未来的无线通信网络中的应用。通过论证,说明数据驱动的方法不应该取代传统的基于数学模型的设计方法,而应该互相补充。本文详细介绍了深度学习方法,包括人工神经网络,以及一些在无线通信网络领域中成功应用深度学习方法的案例研究。最后,本文描述了未来研究方向。
Feb, 2019