近年来，图神经网络（GNNs）发展迅速，在最近的会议上发表了大量相关研究论文。本文作者将对GNN的简短介绍和近期研究报告的总结放在一起。希望这可以帮助任何人进入该领域或试图赶上最新的技术进步。什么是图神经网络？图是一种数据类型，包含通过边相互连接的节点（顶点），边可以是有向的或无向的。每个节点都有一组特征（这些特征可以表示节点的属性，或者单热编码（one-hot）信息），边定义了节点之间的关系。在典型的GNN中，消息传递由相邻节点之间的边执行。直观地，消息是从节点传递到其连接的邻居的信息的神经编码。在任何神经层中，节点的表示都是通过将其所有邻居的消息聚合到当前节点来计算的。经过多轮消息传递后，可以得到每个节点的向量表示，可以解释为描述节点特征信息和节点周围邻域图结构的嵌入表示。GNN最新论文简介1.XGNN:TowardsModel-LevelExplanationsofGraphNeuralNetworks使用神经网络的主要问题之一是它们通常被视为黑盒。由于神经决策背后缺乏推理，它们不太可能用于某些关键决策情况。当前的方法使用神经网络在前向传递过程中产生的梯度、稀疏性和激活来解释其输出。然而，这不是一种非常有效的方法，而且对于GNN来说也非常困难。这篇发表于KDD2020的论文使用了一种新方法XGNN，通过将生成方法与强化学习相结合来解决这个问题。这种方法可用于获取用于理解、验证甚至改进训练有素的GNN模型的信息。论文分析：https://crossminds.ai/video/5f3375a63a683f9107fc6b72/2，NeuralDynamicsonComplexNetworks这篇论文解决了复杂网络中连续时间动态捕获的问题。作者提出了一种将常微分方程(ODE)与GNN相结合的方法，以有效地对系统结构和动力学进行建模，以便更好地理解、预测和控制复杂网络。论文分析：https://crossminds.ai/video/5f3375a13a683f9107fc6b34/3，CompetitiveAnalysisforPointsofInterest下一篇论文来自百度研究院，是GNNs的实际应用，对提供类似的产品/服务很有用（在相邻的商业实体之间建立消费者选择模型，称为兴趣点（poi）。为了预测兴趣点之间的竞争关系，开发了基于GNN的深度学习框架DeepR，它集成了异构用户行为数据、商业评论和地图搜索POI数据，论文分析：https://crossminds.ai/video/5f3375a13a683f9107fc6b31/4,ComprehensiveInformationIntegrationModelingFrameworkforVideoTitling本文来自阿里巴巴集团，旨在利用消费者生成的大量产品评论视频，更好地理解他们的喜好并向潜在客户推荐相关视频。这些视频的一个主要问题是它们没有正确标记。因此，这个paper提出了一种基于主题层次和交互因素的两级视频摘要方法。论文分析：https://crossminds.ai/video/5f3369730576dd25aef288a8/5，KnowingYourFATE:ExplanationsforUserEngagementPredictiononSocialApps这篇来自Snapchat团队的文章探讨了使用GNN的社交媒体应用程序中的用户参与度。它提出了一个端到端的神经网络框架来预测用户参与度，其中包括朋友的数量和质量、用户发布内容的相关性、用户行为和时间因素。这是GNN最直观的应用之一。论文解析：https://crossminds.ai/video/5f405f57819ad96745f802ba/下面是CVPR/KDD/ECCV/ICML更多的关于图卷积网络的论文：[CVPR2020]Point-GNN:GraphNeuralNetworkfor3DObjectDetectioninaPointCloud[CVPR2020]GeometricallyPrincipledConnectionsinGraphNeuralNetworks[CVPR2020]SuperGlue:LearningFeatureMatchingWithGraphNeuralNetworks[CVPR2020]LearningMulti-ViewCameraRelocalizationWithGraphNeuralNetworks[CVPR2020]Multi-ModalGraphNeuralNetworkforJointReasoningonVisionandSceneText[CVPR2020]Social-STGCNN:ASocialSpatio-TemporalGraphConvolutionalNeuralNetworkforHumanTrajectory[CVPR2020]DynamicMultiscaleGraphNeuralNetworksfor3DSkeletonBasedHumanMotionPrediction[CVPR2020]DynamicGraphMessagePassingNetworks[ECCV2020]Graphconvolutionalnetworksforlearningwithfewcleanandmanynoisylabels[ICML2020]WhenSpectralDomainMeetsSpatialDomaininGraphNeuralNetworks[KDD2020]GraphStructural-topicNeuralNetwork[KDD2020]TowardsDeeperGraphNeuralNetworks[KDD2020]GraphNeuralNetworks的无冗余计算[KDD2020]TinyGNN:LearningEfficientGraphNeuralNetworks[KDD2020]PolicyGNN:AggregationOptimizationforGraphNeuralNetworks[KDD2020]ResidualCorrelationinGraphNeuralNetworkRegression[KDD2020]Spotlight:Non-IIDGraphNeuralNetworks[KDD2020]XGNN:TowardsModel-LevelExplanationsofGraphNeuralNetworks[KDD2020]DynamicHeterogeneousGraphNeuralNetworkforReal-timeEventPrediction[KDD2020]HandlingInformationLossofGraphNeuralNetworksforSession-basedRecommendation[KDD2020]ConnectingtheDots:MultivariateTimeSeriesForecastingwithGraphNeuralNetworks[KDD2020]GPT-GNN:GenerativePre-TrainingofGraphNeuralNetworks[KDD2020]GraphStructureLearningforRobustGraphNeuralNetworks[KDD2020]MinimalVarianceSamplingwithProvableGuaranteesforFastTrainingofGraphNeuralNetworks[KDD2020]AFrameworkforRecommendingAccurateandDiverseItemsUsingBayesianGraphConvolutionalNeuralNetworks[KDD2020]CompetitiveAnalysisforPointsofInterest[KDD2020]KnowingyourFATE:ExplanationsforUserEngagementPredictiononSocialApps[KDD2020]G哈希：SemanticGraphHashingforApproximateSimilaritySearchchinGraphDatabases[KDD2020]ComprehensiveInformationIntegrationModelingFrameworkforVideoTitling
