URL: https://arxiv.org/abs/1901.00596

介绍

这篇综述以图卷及网络为侧重点，介绍了图神经网络的分类和研究情况。 提供了对各种图神经网络最优模型和数据集的列举。

模型

Graph Convolution Networks 图卷积网络 参考CNN，卷积核每次将中心结点和周围结点的特征线性累加作为输出，周围结点到中心结点的距离作为卷积核尺寸。

Graph Attention Networks 图注意力机制 实现对图更高效的表示，比如优化随机游走和图分类。

Graph Auto-encoders 图自编码器 通过对图的重构来学习图的表示。

Graph Generative Networks 图生成网络 根据已有的图，生成类似的图。

Graph Spatial-temporal Networks 图时空网络 融合RNN的图网络。

数据集

文献引用类 Cora, Citeseer, Pubmed, DBLP

社交网络类 BlogCatalog, Reddit, Epinions

生物化学结构类 PPI, NCI-1, NCI-109, MUTAG, D&D, QM9, tox21

需要构造的 MNIST, Wikipedia, 20NEWS

其他 METR-LA, Movie_Lens1M, Nell

未来工作

• GNN能否像其他网络，如ResNet那样很深
• 面对大规模数据，GNN难以收敛
• 如何处理动态的图，比如新成员加入的情况
• 如何获得更好的结点表示，解决类似NLP中罕见词的情况