【图机器学习论文】图神经网络：方法与应用综述（Graph Neural Networks: A Review of Methods and Applications）

题目： Graph Neural Networks: A Review of Methods and Applications

摘要： 许多学习任务都需要处理包含元素间丰富关系信息的图形数据。建模物理系统、学习分子指纹、预测蛋白质界面和疾病分类需要一个模型从图形输入中学习。在文本、图像等非结构化数据的学习等领域，对句子的依存树、图像的场景图等提取的结构进行推理是一个重要的研究课题，同时也需要建立图形推理模型。图神经网络（GNNs）是通过图节点之间的信息传递来获取图的依赖性的连接模型。与标准神经网络不同，图神经网络保留了一种状态，这种状态可以以任意深度表示来自其邻域的信息。虽然原始GNNs已经被发现很难训练到固定的点，但是最近在网络结构、优化技术和并行计算方面的进展已经使它能够成功地学习。近年来，基于图形卷积网络（GCN）、图形注意网络（GAT）、门控图形神经网络（GGNN）等图形神经网络变体的系统在上述许多任务上都表现出了突破性的性能。在这项调查中，我们提供了一个详细的检讨现有的图形神经网络模型，系统分类的应用，并提出了四个开放的问题，为今后的研究。

作者简介： Jie Zhou，CS的研究生，从事系统研究，主要研究计算机安全。他毕业于厦门大学，在罗切斯特大学获得硕士学位及博士学位。

Zhiyuan Liu，清华大学计算机系NLP实验室副教授。