“A Comprehensive Survey on Graph Neural Networks is a survey paper which has a decent overview of the tasks they are useful for.”
A Comprehensive Survey on Graph Neural Networks
图神经网络的分类、应用、开源代码与研究方向综述
论文指出许多应用的数据来自非欧几里得域,以带有复杂关系和相互依赖的图来表示,给现有机器学习算法带来了挑战。作者对数据挖掘与机器学习领域的图神经网络(GNN)做了全面综述,提出新的分类法,把最先进的 GNN 分为四类:循环图神经网络、卷积图神经网络、图自编码器和时空图神经网络。此外还讨论了 GNN 在各领域的应用,汇总开源代码、基准数据集和模型评估,并提出这一快速发展领域的潜在研究方向。
HN 上的人把它推荐为入门 GNN 的综述,称它对 GNN 适用于哪些任务有不错的概览,是新手了解该领域的好途径。
学习路径
读这篇之前,按顺序读书架上的 5 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出按时间线读图上的表示学习、图卷积、注意力和消息传递框架,再读关系归纳偏置,之后再看综述如何把它们归入统一分类。
- 1
DeepWalk 是图嵌入的早期方法,综述里的网络嵌入部分从这里讲起。
读随机游走产生节点序列、再用 skip-gram 学节点向量的思路。
- 2
GCN 是谱域图卷积的简化形式,是综述中卷积类图神经网络的核心代表。
读一阶近似得到的逐层传播公式与归一化邻接矩阵,以及半监督节点分类的设置。
- 3
- 4
MPNN 给出消息传递的统一框架,综述的空间域方法都可以放进这个框架理解。
读消息函数、更新函数与读出函数三个部分。
- 5
它把图网络和关系归纳偏置放在更大的视角里,帮助理解图神经网络为何有用。
读关系归纳偏置的概念与 GN 块的定义,其余讨论可略读。
- 6A Comprehensive Survey on Graph Neural Networks
在以上代表性模型的基础上,看综述如何分类并总结应用与开源实现。
读按卷积、注意力、自编码器、时空等类别的分类框架,以及应用与数据集章节。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“A survey paper is usually a good way to go, such as A comprehensive survey on graph neural networks”
“here's another recent one:”
“A Comprehensive Survey on Graph Neural Networks [LINK] has a bunch of GNNs ranked #1”
- A Comprehensive Survey on Graph Neural Networks (2019) ↗painful · 2019-01-07 · 19 分