该研究综述了图神经网络和概率图形模型的交叉应用，探讨了 GNN 如何受益于 PGM 学习结构表示，如何实现更有效的推理和结构学习，以及分析了近期研究中使用的基准数据集和未来研究方向。

May, 2022

本文从图形模型的角度综述了多学科的经验性统计学习，包括图形模型的常见例子，如贝叶斯网络、表示马尔科夫链的有向图和表示马尔科夫场的无向网络，并使用试板符号扩展来对数据分析和实证学习进行建模，提供了简化和操作问题的图形操作，包括分解、演变和来自指数族的概率模型的操作。文中还综述了两种标准的算法模式：Gibbs 采样和期望最大化算法，并使用这些操作和模式综述了一些流行的算法，包括线性回归、前馈网络的技术以及从数据学习高斯和离散贝叶斯网络。最后，本文概述了图形模型提供的框架来理解和开发复杂学习算法的一些含义。

Dec, 1994

提出了一种将概率图模型和深度学习相结合的模型框架，通过将神经网络用于观测模型，提高了潜在变量的图形结构；针对推断，使用了可视化的自编码器，利用识别网络输出共轭潜力的图形模型近似分布；所有的这些模型组件都是同时学习的，从而得到了一种可扩展的算法，利用了随机变分推断、自然梯度、图形模型信息传递和重参数化技巧。此模型框架的示例模型和应用程序向小鼠行为表型学方法提出了有效的解决方案。

Mar, 2016

本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

Mar, 2018

使用图神经网络作为一种有利于推断任务的推送算法，对于在循环密集的概率有向图上显著优于置信传播算法

Mar, 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。

Dec, 2018

本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

Jun, 2016

近年来，对不同领域数据进行图结构化映射的兴趣日益增长。本文展示了多层感知器（MLP）等神经网络模型可以用图表示，而图神经网络（GNN）是在图上执行机器学习任务的标准工具。我们提出了一种用于表格数据的新的机器学习模型，称为图神经机器（GNM），它用几乎完全图代替了 MLP 的有向无环图，并采用同步消息传递方案。我们展示了单个 GNM 模型可以模拟多个 MLP 模型，并在多个分类和回归数据集上评估了所提出的模型。在大多数情况下，GNM 模型优于 MLP 架构。

Feb, 2024

本文章提出了 PGM-Explainer，一种基于概率图模型（PGM）的 GNN 解释器，其能够识别关键的图形成分并生成一个 PGM 来近似解释预测，并且将解释以条件概率的形式呈现。理论分析表明，PGM-Explainer 生成的 PGM 包括目标预测的 Markov-blanket，即包括所有其统计信息。实验结果显示，PGM-Explainer 在许多基准任务中均达到比现有解释器更好的性能。

Oct, 2020

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023