揭开图:图神经网络与图生成
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
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
机器学习与图神经网络,尤其是使用图神经网络(GNN)的机器学习,在各个领域的图数据广泛应用中受到了广泛关注。然而,对于 GNN 的性质仍存在理论上的不完备性。最近的理论进展主要集中于阐明 GNN 的粗粒度表达能力,主要使用组合技巧。然而,这些研究与实践并不完全一致,特别是在理解使用随机一阶优化技术训练时 GNN 的泛化行为方面。在本文中,我们将论证图机器学习社区需要将关注点转向发展一个更加平衡的图机器学习理论,重点研究表达能力、泛化和优化的相互作用。
Feb, 2024
该研究整理并总结了关于应用于计算机视觉的基于图神经网络(GNNs)及其派生物(如 GAT、GCN 和 GRN)的方法的论文,从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。
Dec, 2022