【图机器学习论文】综述：图注意力模型（Attention Models in Graphs: A Survey）

题目： Attention Models in Graphs: A Survey

摘要： 图结构数据自然地出现在许多不同的应用领域。通过将数据表示为图形，我们可以捕获实体（即节点）以及它们之间的关系（即边）。许多有用的见解可以从图形结构的数据中得到，这一点已被越来越多的关注于图形挖掘的工作所证明。然而，在现实世界中，图可以是大的-有许多复杂的模式-和噪声，这可能会给有效的图挖掘带来问题。解决这一问题的一个有效方法是将“注意力”融入到图挖掘解决方案中。注意机制允许一个方法关注图中与任务相关的部分，帮助它做出更好的决策。在这项工作中，我们对图形注意模型这一新兴领域的文献进行了全面而集中的调查。我们介绍了三个直观的分类组现有的工作。它们基于问题设置（输入和输出类型）、使用的注意机制类型和任务（例如，图形分类、链接预测等）。我们通过详细的例子来激励我们的分类法，并使用每种方法从一个独特的角度来调查竞争方法。最后，我们强调了该领域的几个挑战，并讨论了未来工作的前景。

作者简介： Ryan A. Rossi，目前在Adobe Research工作，研究领域是机器学习；涉及社会和物理现象中的大型复杂关系（网络/图形）数据的理论、算法和应用。在普渡大学获得了计算机科学博士和硕士学位。

Nesreen K. Ahmed，英特尔实验室的高级研究员。她在普渡大学计算机科学系获得博士学位，在普渡大学获得统计学和计算机科学硕士学位。研究方向是机器学习和数据挖掘，涵盖了大规模图挖掘、统计机器学习的理论和算法，以及它们在社会和信息网络中的应用。