【GNN】2022年最新3篇GNN領(lǐng)域綜述！
第2篇文獻(xiàn)則是對(duì)幾何等變圖神經(jīng)網(wǎng)絡(luò)的調(diào)研，其根據(jù)GNN中的消息傳遞和聚合方式將現(xiàn)有的方法分為三類進(jìn)行介紹；
第3篇文獻(xiàn)則是對(duì)異質(zhì)圖神經(jīng)網(wǎng)絡(luò)的調(diào)研。
1. Federated Graph Neural Networks: Overview, Techniques and Challenges.
論文地址：https://arxiv.org/pdf/2202.07256
摘要：
2. Geometrically Equivariant Graph Neural Networks: A Survey.
論文地址：https://arxiv.org/pdf/2202.07230
摘要：
許多科學(xué)問(wèn)題都要求以幾何圖形的形式處理數(shù)據(jù)。與一般圖形數(shù)據(jù)不同，幾何圖形展示了平移、旋轉(zhuǎn)和/或反射的對(duì)稱性。研究人員利用這種歸納偏差，開發(fā)了幾何等變圖神經(jīng)網(wǎng)絡(luò)(GNN)，以更好地表征幾何圖形的幾何和拓?fù)?。盡管取得了豐碩的成果，但仍缺乏對(duì)等變GNN進(jìn)展的綜述，這反過(guò)來(lái)阻礙了等變GNN的進(jìn)一步發(fā)展。為此，基于必要而簡(jiǎn)明的數(shù)學(xué)基礎(chǔ)，我們根據(jù)GNN中的消息傳遞和聚合的表示方式，將現(xiàn)有的方法分為三類。我們也總結(jié)了基準(zhǔn)和相關(guān)的數(shù)據(jù)集，以便于以后的研究，為方法學(xué)的發(fā)展和實(shí)驗(yàn)評(píng)估。并對(duì)未來(lái)可能的發(fā)展方向進(jìn)行了展望。
3. Graph Neural Networks for Graphs with Heterophily: A Survey.
論文地址：https://arxiv.org/pdf/2202.07082
摘要：
近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)(GNN)得到了迅速的發(fā)展，為無(wú)數(shù)的圖分析任務(wù)和應(yīng)用提供了便利。一般來(lái)說(shuō)，大多數(shù)GNN依賴于同質(zhì)性假設(shè)，即屬于同一類的節(jié)點(diǎn)更有可能被連接。然而，作為現(xiàn)實(shí)世界眾多場(chǎng)景中普遍存在的圖屬性，異質(zhì)性(即具有不同標(biāo)簽的節(jié)點(diǎn)往往被鏈接)嚴(yán)重限制了定制同質(zhì)GNN的性能。因此，GNN for Heterophilic Graphs在這個(gè)社區(qū)中得到了越來(lái)越多的關(guān)注。據(jù)我們所知，本文首次對(duì)異質(zhì)圖的gnn作了一個(gè)全面的綜述。具體來(lái)說(shuō)，我們提出了一個(gè)系統(tǒng)的分類法，該分類法本質(zhì)上支配著現(xiàn)有的親異GNN模型，并對(duì)其進(jìn)行了一般性的總結(jié)和詳細(xì)的分析。此外，我們總結(jié)了主流的異親圖基準(zhǔn)，以促進(jìn)穩(wěn)健和公平的評(píng)估。最后，我們指出了在異親圖研究和應(yīng)用方面的潛在發(fā)展方向。
往期精彩回顧