图神经网络 在生活中，我们可以使用图结构来表示大部分数据。 我们可以使用图结构来表示化合物分子结构、蛋白质结构、人际关系，在推荐系统中，我们也可以使用图来对购买行为进行建模。 研究如何从图结构中提取信息，并利用该信息来完成任务很有意义的。 图是不规则结构，每个节点的邻居节点数是不同的。而且，相比于向量数据例如：图像(像素矩阵)，图除了节点特征向量外，还具有结构特征。 因此，图的学习模型要能够适应大小和拓扑结构可变的样本。 和我们常见的基于向量数据的神经网络一样，面向图的神经网络研究也有着悠久的发展历史。 无论是递归结构模型还是基于概率论的纯数学模型，都有很多文章去研究。包括近十年兴起的卷积神经网络、编码器解码器模型、注意力机制方法都有相关文章。 我目前大的研究方向是GNN，这个系列是由我在学习的过程，输出的一些学习随笔组成。 前几篇主要是对近二十年内的一些论文学习（主要是一些比较有代表性的，像GCN，GAT之类的），后面是近几年内我比较感兴趣或者小方向的论文。 这里也是整个系列的索引贴。 施工中 1 个帖子 - 1 位参与者 阅读完整话题

  • 情报分类：综合情报
  • 分类依据：内容未命中明确的垂直分类规则，归入综合情报
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/10/14 20:17:34