神经网络:分类、进步和趋势 (Graph Neural Networks: Taxonomy, Advances and Trends)

Graph neural networks provide a powerful toolkit for embedding real-world graphs into low-dimensional spaces according to specific tasks. Up to now, there have been several surveys on this topic. However, they usually lay emphasis on different angles so that the readers can not see a panorama of the graph neural networks. This survey aims to overcome this limitation, and provide a comprehensive review on the graph neural networks. First of all, we provide a novel taxonomy for the graph neural networks, and then refer to up to 400 relevant literatures to show the panorama of the graph neural networks. All of them are classified into the corresponding categories. In order to drive the graph neural networks into a new stage, we summarize four future research directions so as to overcome the facing challenges. It is expected that more and more scholars can understand and exploit the graph neural networks, and use them in their research community.

翻译：图形神经网络为根据具体任务将真实世界图形嵌入低维空间提供了一个强大的工具包。到目前为止,已经就此专题进行了几次调查。但是,它们通常强调不同角度,使读者看不到图形神经网络的全景。此次调查旨在克服这一局限性,并对图形神经网络进行全面审查。首先,我们为图形神经网络提供一个新的分类,然后引用多达400种相关文献,以显示图形神经网络的全貌。所有这些文献都被分类为相应的类别。为了将图形神经网络推入一个新阶段,我们总结了四个未来研究方向,以克服面临的挑战。预计更多学者能够理解和利用图形神经网络,并在研究界使用这些网络。

相关内容

Neural Networks

关注 1637

神经网络（Neural Networks）是世界上三个最古老的神经建模学会的档案期刊:国际神经网络学会(INNS)、欧洲神经网络学会(ENNS)和日本神经网络学会(JNNS)。神经网络提供了一个论坛，以发展和培育一个国际社会的学者和实践者感兴趣的所有方面的神经网络和相关方法的计算智能。神经网络欢迎高质量论文的提交，有助于全面的神经网络研究，从行为和大脑建模，学习算法，通过数学和计算分析，系统的工程和技术应用，大量使用神经网络的概念和技术。这一独特而广泛的范围促进了生物和技术研究之间的思想交流，并有助于促进对生物启发的计算智能感兴趣的跨学科社区的发展。因此，神经网络编委会代表的专家领域包括心理学，神经生物学，计算机科学，工程，数学，物理。该杂志发表文章、信件和评论以及给编辑的信件、社论、时事、软件调查和专利信息。文章发表在五个部分之一:认知科学，神经科学，学习系统，数学和计算分析、工程和应用。官网地址：http://dblp.uni-trier.de/db/journals/nn/