GitHub 連結: https://github.com/thunlp/GNNPapers
綜述論文
這部分共介紹了 8 篇論文,包括前面提到的清華大學的兩篇綜述論文。
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicGcq5CZ2MjYkFWZkRzY4IWOjFTYyEjM0EzMyImMkZGZ2kDMk9CX5d2bs92Yl1iclB3bsVmdlR2LcNWaw9CXt92Yu4GZjlGbh5yYjV3Lc9CX6MHc0RHaiojIsJye.jpg)
- 深度學習時代的圖模型,清華發文綜述圖網絡
- 清華大學圖神經網絡綜述:模型與應用
- 學界 | DeepMind 等機構提出「圖網絡」:面向關系推理
- 學界 | Facebook 何恺明等人最新論文提出非局部神經網絡
模型
模型部分包括 35 篇論文,包括:
- Yoshua Bengio 發表在 ICLR 2018 上的論文 《Graph Attention Networks》 ,該論文提出了基于近鄰節點注意機制的網絡架構 GAT,可用于處理複雜、不規則結構的計算圖,并在三種困難的基準測試中得到了業内最佳水準,研究人員稱該模型有望在未來處理任意不規則結構圖。
- 谷歌發表在 ICLR 2018 上的論文《Graph Partition Neural Networks for Semi-Supervised Classification》,該論文提出了一種圖神經網絡的新變體——圖分割神經網絡(Graph Partition Neural Network,GPNN),該網絡适用于處理大型圖。
- 清華朱軍等人發表在 ICML 2018 上的論文《Stochastic Training of Graph Convolutional Networks with Variance Reduction》,提出基于控制變量的圖卷積網絡(GCN),有效減少感受野大小。
- 騰訊 AI Lab 發表在 AAAI 2018 上的論文 《Adaptive Graph Convolutional Neural Networks》 ,提出自适應圖卷積神經網絡 AGCN,可接受任意圖結構和規模的圖作為輸入。
- 李佳等人發表在 TOMM 2015 上的論文《CelebrityNet: A Social Network Constructed from Large-Scale Online Celebrity Images》,提出了一種基于圖像的社交網絡 CelebrityNet,該網絡基于名人照片中編碼的隐性關系建構而成。
- KDD 2018 最佳論文 《Adversarial Attacks on Neural Networks for Graph Data》 ,提出了針對圖深度學習模型的對抗攻擊方法,是首個在屬性圖上的對抗攻擊研究;研究者還提出了一種利用增量計算的高效算法 Nettack。
- ……
論文清單如下:
應用
應用部分有 86 篇論文,包括:
- DeepMind 發表在 ICLR 2017 上的論文《Discovering objects and their relations from entangled scene representations》和《Metacontrol for Adaptive Imagination-Based Optimization》,介紹了互動網絡在場景了解和基于想象的決策(imagination-based decision-making)上的應用。
- Geoffrey Hinton 等人發表在 NIPS 2016 上的論文《Attend, Infer, Repeat: Fast Scene Understanding with Generative Models》,該論文提出了一個用于結構化圖像模型(可以對目标進行明确的推理)中的有效推理的架構。這種方法是通過使用一個循環神經網絡來執行機率推理——該循環神經網絡可以處理場景元素且一次處理一個。關鍵的是,該模型自身可以學習選擇合适數量的推理步驟。相比于監督式的方法,該網絡可以産出更精确的推理,而且它們的結構也可以使歸納得到進一步的提升。
- 港中文發表在 AAAI 2018 上的論文 《Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition》 ,該論文提出了一種時空圖卷積網絡,并利用它們進行人類行為識别。這種算法基于人類關節位置的時間序清單示而對動态骨骼模組化,并将圖卷積擴充為時空圖卷積網絡而捕捉這種時空的變化關系。
- CMU 和谷歌的 CVPR 2018 Spotlight 論文 《Iterative Visual Reasoning Beyond Convolutions》 ,提出了一種新的疊代視覺推理架構。該架構超越了目前隻具備卷積堆棧推理能力的識别系統。該架構由兩個核心子產品組成:一個是局部子產品,使用空間記憶以并行更新的方式存儲以前的信念;另一個是全局圖形推理子產品。
- 谷歌發表在 NIPS 2017 上的著名論文 《Attention Is All You Need》 ,提出了一種新型的簡單網絡架構——Transformer,它完全基于注意力機制,徹底放棄了循環和卷積。
- Christopher D. Manning 發表在 EMNLP 2015 上的論文《Effective Approaches to Attention-based Neural Machine Translation》,探讨了兩種簡單有效的注意機制類别:一種能顧及到所有源詞的全局方法,以及一種隻能一次檢視源詞的一個子集的局部方法。
- DeepMind 2018 年的研究 《Relational Deep Reinforcement Learning》 ,提出了一種「關系性深度強化學習」方法,并在星際争霸 2 中進行了測試。
- 來自微軟研究院和西門菲莎大學的研究者發表在 ICLR 2018 上的論文 《Learning to Represent Programs with Graphs》 ,提出基于程式圖簡化程式分析,從源代碼中學習。該方法結合基于數理邏輯和自然語言了解的程式分析方法,可以更準确地查找已釋出軟體中的 bug。
- 清華朱軍等人發表在 ICML 2018 上的論文《Adversarial Attack on Graph Structured Data》,關注圖神經網絡的魯棒性,即通過攻擊(對抗)訓練的方法來增強圖神經網絡分類的穩定性。
- Christopher D. Manning 等人發表在 ACL 2015 上的論文《Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks》,提出了改善語義表征的 Tree-LSTM,用于自然語言處理任務,在預測句子相關度和情感分類任務上表現優異。
- Christopher D. Manning 等人發表在 EMNLP 2018 上的論文《Graph Convolution over Pruned Dependency Trees Improves Relation Extraction》,提出一種用于關系提取的圖卷積網絡變體。
- UCLA 朱松純 教授等人發表在 ECCV 2018 上的論文《Learning Human-Object Interactions by Graph Parsing Neural Networks》,提出圖解析神經網絡(Graph Parsing Neural Network,GPNN),用于檢測和識别圖像和視訊中人-物互動的任務。