【WSDM2023教程】GNN中的自然和人工动力学，159页ppt

在大数据时代，实体之间的关系变得更加复杂。因此，图(或网络)数据因承载复杂关系信息而受到越来越多的研究关注。对于无数的图挖掘/学习任务，图神经网络(GNNs)已被证明是提取信息节点和图表示的有效工具，它赋予了广泛的应用，如推荐，欺诈检测，分子设计等。然而，现实世界给GNN带来了实际挑战。首先，输入图是不断演化的，即图结构和节点特征是时间依赖的;将时间信息集成到GNN中以增强其表示能力需要额外的巧妙设计。其次，输入图可能是不可靠的、有噪声的，并且对于各种下游图挖掘/学习任务来说是次优的。最终用户如何故意修改给定的图(例如，图拓扑和节点特征)以提高GNN的效用(例如，准确性和鲁棒性)? 受上述两种动力学的启发，本教程重点介绍GNN中的自然动力学和人工动力学的主题，并系统地介绍相关工作。在此基础上，指出了在这两种动态结合方面一些有前途但尚未探索的研究问题。我们希望本教程可以对数据挖掘、机器学习和通用人工智能等领域的研究人员和从业人员有所帮助。