譯者 | 劉暢

出品 | AI科技大本營(yíng)（rgznai100）

近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)（GNNs）發(fā)展迅速，最近的會(huì)議上發(fā)表了大量相關(guān)的研究論文。本文作者正在整理一個(gè)GNN的簡(jiǎn)短介紹和最新研究報(bào)告的摘要。希望這對(duì)任何準(zhǔn)備進(jìn)入該領(lǐng)域或試圖趕上最新技術(shù)進(jìn)展的人有所幫助。

什么是圖神經(jīng)網(wǎng)絡(luò)？

圖是一種包含節(jié)點(diǎn)（頂點(diǎn)）的數(shù)據(jù)類型，這些節(jié)點(diǎn)（頂點(diǎn)）通過(guò)邊相互連接，邊可以是有向的，也可以是無(wú)向的。每個(gè)節(jié)點(diǎn)都有一組特征（這些特征可以表示節(jié)點(diǎn)的屬性，也可以是一個(gè)熱編碼（One-hot）信息），而邊定義了節(jié)點(diǎn)之間的關(guān)系。

在典型的GNN中，消息傳遞是由邊在相鄰節(jié)點(diǎn)之間上執(zhí)行的。直觀地說(shuō)，消息是信息的神經(jīng)編碼，它從一個(gè)節(jié)點(diǎn)傳遞到與其連接的鄰居節(jié)點(diǎn)。在任何神經(jīng)層，節(jié)點(diǎn)的表示都是通過(guò)將其所有鄰居的消息聚合到當(dāng)前節(jié)點(diǎn)來(lái)計(jì)算的。經(jīng)過(guò)多輪消息傳遞，可以獲得每個(gè)節(jié)點(diǎn)的向量表示，可以解釋為一種既描述節(jié)點(diǎn)特征信息又描述節(jié)點(diǎn)周圍鄰域圖結(jié)構(gòu)的嵌入表示。

GNN最新論文簡(jiǎn)介

1、XGNN：Towards Model-Level Explanations of Graph Neural Networks

使用神經(jīng)網(wǎng)絡(luò)的一個(gè)主要問(wèn)題是它們常被當(dāng)作黑匣子。由于缺乏神經(jīng)決策背后的原因，它們不太可能用于一些關(guān)鍵性決策的情況。當(dāng)前的方法使用梯度、稀疏和神經(jīng)網(wǎng)絡(luò)在前向傳遞過(guò)程中產(chǎn)生的激活用于解釋其輸出。然而，這并不是一個(gè)非常有效的方法，而且對(duì)于GNNs來(lái)說(shuō)也是非常困難的。

這篇發(fā)表在KDD2020上的論文使用了一種新的方法XGNN，通過(guò)結(jié)合生成性方法與強(qiáng)化學(xué)習(xí)來(lái)解決這個(gè)問(wèn)題。這種方法可以用來(lái)獲取信息進(jìn)行理解、驗(yàn)證，甚至提高訓(xùn)練好的GNN模型。

論文解析：

https://crossminds.ai/video/5f3375a63a683f9107fc6b72/

2、Neural Dynamics on Complex Networks

本文解決了復(fù)雜網(wǎng)絡(luò)中連續(xù)時(shí)間動(dòng)態(tài)捕捉的問(wèn)題。作者提出了一種將常微分方程（ODEs）與GNNs相結(jié)合的方法來(lái)有效地模擬系統(tǒng)結(jié)構(gòu)和動(dòng)力學(xué)，從而更好地理解、預(yù)測(cè)和控制復(fù)雜網(wǎng)絡(luò)。

論文解析：

https://crossminds.ai/video/5f3375a13a683f9107fc6b34/

3、Competitive Analysis for Points of Interest

接下來(lái)這篇論文是來(lái)自于Baidu Research，它是GNNs的一個(gè)實(shí)際應(yīng)用，對(duì)在提供類似產(chǎn)品/服務(wù)（稱為興趣點(diǎn)，poi）的相鄰企業(yè)實(shí)體之間建立消費(fèi)者選擇模型。為了預(yù)測(cè)poi之間的競(jìng)爭(zhēng)關(guān)系，開(kāi)發(fā)了一個(gè)基于GNN的深度學(xué)習(xí)框架DeepR，它集成了poi的異構(gòu)用戶行為數(shù)據(jù)、業(yè)務(wù)評(píng)論和地圖搜索數(shù)據(jù)。

論文解析：

https://crossminds.ai/video/5f3375a13a683f9107fc6b31/

4、Comprehensive Information Integration Modeling Framework for Video Titling

阿里巴巴集團(tuán)的這篇文章旨在利用消費(fèi)者產(chǎn)生的大量產(chǎn)品評(píng)論視頻，更好地了解他們的偏好，并向潛在客戶推薦相關(guān)視頻。這些視頻的一個(gè)主要問(wèn)題是沒(méi)有正確標(biāo)記。因此，論文提出了一種基于主題層次的、基于交互因素的二級(jí)視頻摘要生成方法。

論文解析：

https://crossminds.ai/video/5f3369730576dd25aef288a8/

5、Knowing Your FATE:Explanations for User Engagement Prediction on Social Apps

Snapchat團(tuán)隊(duì)的這篇文章探討了使用GNNs的社交媒體應(yīng)用程序中用戶的參與度。它提出了一個(gè)端到端的神經(jīng)網(wǎng)絡(luò)框架來(lái)預(yù)測(cè)用戶參與度，這些因素包括好友數(shù)量和質(zhì)量、用戶發(fā)布內(nèi)容的相關(guān)性、用戶行為和時(shí)間因素。這是GNNs最直觀的應(yīng)用之一。

論文解析：

https://crossminds.ai/video/5f405f57819ad96745f802ba/

下面是CVPR/KDD/ECCV/ICML更多的關(guān)于圖卷積網(wǎng)絡(luò)的論文：

[CVPR 2020] Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud

[CVPR 2020] Geometrically Principled Connections in Graph Neural Networks [CVPR 2020] SuperGlue: Learning Feature Matching With Graph Neural Networks

[CVPR 2020] Learning Multi-View Camera Relocalization With Graph Neural Networks

[CVPR 2020] Multi-Modal Graph Neural Network for Joint Reasoning on Vision and Scene Text

[CVPR 2020] Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory

[CVPR 2020] Dynamic Multiscale Graph Neural Networks for 3D Skeleton Based Human Motion Prediction

[CVPR 2020] Dynamic Graph Message Passing Networks

[ECCV 2020] Graph convolutional networks for learning with few clean and many noisy labels

[ICML 2020] When Spectral Domain Meets Spatial Domain in Graph Neural Networks

[KDD 2020] Graph Structural-topic Neural Network

[KDD 2020] Towards Deeper Graph Neural Networks

[KDD 2020] Redundancy-Free Computation for Graph Neural Networks

[KDD 2020] TinyGNN: Learning Efficient Graph Neural Networks

[KDD 2020] PolicyGNN: Aggregation Optimization for Graph Neural Networks [KDD 2020] Residual Correlation in Graph Neural Network Regression

[KDD 2020] Spotlight: Non-IID Graph Neural Networks

[KDD 2020] XGNN: Towards Model-Level Explanations of Graph Neural Networks

[KDD 2020] Dynamic Heterogeneous Graph Neural Network for Real-time Event Prediction

[KDD 2020] Handling Information Loss of Graph Neural Networks for Session-based Recommendation

[KDD 2020] Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks

[KDD 2020] GPT-GNN: Generative Pre-Training of Graph Neural Networks

[KDD 2020] Graph Structure Learning for Robust Graph Neural Networks

[KDD 2020] Minimal Variance Sampling with Provable Guarantees for Fast Training of Graph Neural Networks

[KDD 2020] A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks

[KDD 2020] Competitive Analysis for Points of Interest

[KDD 2020] Knowing your FATE: Explanations for User Engagement Prediction on Social Apps

[KDD 2020] GHashing: Semantic Graph Hashing for Approximate Similarity Search in Graph Databases

[KDD 2020] Comprehensive Information Integration Modeling Framework for Video Titling

原文鏈接：

https://www.reddit.com/r/MachineLearning/comments/j6wzut/r_latest_developments_in_graph_neural_networks_a/

*博客內(nèi)容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀點(diǎn)，如有侵權(quán)請(qǐng)聯(lián)系工作人員刪除。