Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >「图神经网络综述」最新2022综述-中国石油大学

「图神经网络综述」最新2022综述-中国石油大学

作者头像
一点人工一点智能
发布于 2022-12-27 01:29:10
发布于 2022-12-27 01:29:10
6520
举报

中国石油大学《图神经网络最新》综述论文

摘要:

在过去几年,深度学习已经在人工智能机器学习上取得了成功,给社会带来了巨大的进步。深度学习的特点是堆积多层的神经网络层,从而具有更好的学习表示能力。卷积神经网络(convolutional neuralnetwork,CNN)的飞速发展更是将深度学习带上了一个新的台阶。

CNN 的平移不变性、局部性和组合性使其天然适用于处理像图像这样的欧氏结构数据的任务中,同时也可以应用于机器学习的其他各个领域。深度学习的成功一部分源自于可以从欧氏数据中提取出有效的数据表示,从而对其进行高效的处理。另一个原因则是得益于GPU的快速发展,使得计算机具有强大的计算和存储能力,能够在大规模的数据集中训练和学习深度学习模型。这使得深度学习在自然语言处理、机器视觉和推荐系统等领域都表现出了良好的性能。

但是, 现有的神经网络只能对常规的欧氏结构数据进行处理。如图1(a)欧氏数据结构,其特点就是节点有固定的排列规则和顺序,如2维网格和1维序列。而当前越来越多的实际应用问题必须要考虑非欧氏数据,如图1(b)非欧氏数据结构中节点没有 固定的排列规则和顺序,这就使得不能直接将传统的深度学习模型迁移到处理非欧氏结构数据的任务中。如若直接将CNN应用到其中,由于非欧氏数据中心节点的邻居节点数量和排列顺序不固定,不满足平移不变性,这就很难在非欧氏数据中定义卷积 核。针对图神经网络(graphneuralnetwork,GNN) 的研究工作,最开始就是在如何固定邻居节点数量以及如何给邻居节点排序展开的,比如 PATCHYG SAN,LGCN,DCNN 方法等。完成上述2项工作之后,非欧氏结构数据就转化为欧氏结构数据,然后就可以利用 CNN 处理。图是具有点和边的典型非欧氏数据,在实际中可以将各种非欧氏数据问题抽象为图结构。比如在交通系统中,利用基于图的学习模型可以对路况信息进行有效的预测。在计算机视觉中,将人与物的交互看作一种图结构,可以对 其进行有效地识别。

近期已有一些学者对图神经网络及其图卷积神经网络分支进行了综述。本文的不同之处在于,首先由于经典模型是很多变体模型的基石,所以给出了经典模型的理论基础以及详细推理步骤。在1.2节基于空间方法的图卷积神经网络中,多用图的形式列出模型的实现过程,使模型更加通俗易懂。文献并未对目前广大学者热点讨论的问题进行总结,所以在第5节针对图神经网络的讨论部分,首次列出了目前研究学者对 GNN 的热点关注问题,比如其表达能力、过平滑问题等。然后,在第6节中总结了图神经网络新框架。同时,针对图神经网络的应用,在第7节中较全面地介绍了 GNN 的应用场景。最后,列出了图神经网络未来的研究方向。在图2中列出了本文的主体结构。

研究图神经网络对推动深度学习的发展以及人类的进步具有重大意义。首先,现实中越来越多的问题可以抽象成非欧氏结构数据,由于图数据的不规则性,传统的深度学习模型已经不能处理这种数据,这就亟需研究设计一种新的深度神经网络。而 GNN 所处理的数据对象就是具有不规则结构的图数据,GNN 便在这种大背景下应运而生。然后,图数据的结构和任务是十分丰富的。这种丰富的结构和任务也正是和人们生活中要处理的实际问题相贴合的。比如,图数据有异质性以及边的有向连接特性,这和推荐系统中的场景完全类似。图数据处理任务中节点级别、边级别以及整图级别也同样可以应用到深度学习的各个应用场景中。所以,GNN的研究为解决生活中的实际问题找到了一种新的方法和途径。最后,GNN 的应用领域是十分广泛的,能够处理各种能抽象成图数据的任务。不管是在传统的自然语言处理领域或者图像领域,还是在新兴的生化领域,GNN都能表现出强大的性能。

现实生活中越来越多的实际处理任务都可以抽象成图结构数据,应用场景是非常多的。图中包含节点、边和整个图结构。GNN的处理任务也主要从节点级别、边级别和整个图级别出发。在节点级别可以完成针对节点的分类,比如在引文数据集中,可以完成对相似论文的分类任务。边级别可以完成链路预测任务,比如推荐系统中用户对电影是否感兴趣等。而图级别则可以完成对整个图属性的预测,比如在生化预测任务中,可以实现对某个分子是否产生变异进行预判。针对不同的处理任务,常用的数据集如表1所示:

1 图卷积神经网络

CNN 已经在图像识别、自然语言处理等多个领域取得了不俗的成绩,但其只能高效地处理网格和序列等这样规则的欧氏数据。不能有效地处理像社交多媒体网络数据、化学成分结构数据、生物蛋白数据以及知识图谱数据等图结构的非欧氏数据。为此,无数学者经过不懈努力,成功地将CNN应用到图结构的非欧氏数据上,提出了图卷积神经网络(graph convolutionalnetwork,GCN)。GCN是GNN中一个重要分支,现有的大多数模型基本上都是在此基础上变化推导而来。下面我们将按照从基于谱方法、 空间方法和池化3方面对 GCN 进行总结和概括。

2 基于注意力实现的图神经网络

注意力机制在处理序列任务已经表现出强大的能力,比如在机器阅读和学习句子表征的任务中。其强大的优势在于允许可变大小的输入,然后利用注意力机制只关心最重要的部分,最后做出决策处理。一些研究发现,注意力机制可以改进卷积方法,从而可以构建一个强大的模型,在处理一些任务时能够取得更好的性能。

为此,文献将注意力机制引入到了图神经网络中对邻居节点聚合的过程中,提出了图注意力网络(graphattentionnetworks, GAT)。在传统的 GNN 框架中,加入了注意力层,从而可以学习出各个邻居节点的不同权重,将其区别对待。进而在聚合邻居节点的过程中只关注那些作用比较大的节点,而忽视一些作用较小的节点。GAT的核心思想是利用神经网络学习出各个邻居节点的权重,然后利用不同权重的邻居节点更新出中心节点的表示。

3 基于自编码器实现的图神经网络

在无监督学习任务中,自编码器(autoencoder, AE)及其变体扮演者非常重要的角色,它借助于神经网络模型实现隐表示学习,具有强大的数据特征提取能力。AE 通过编码器和解码器实现对输入数据的有效表示学习,并且学习到的隐表示的维数可以远远小于输入数据的维数,实现降维的目的。AE是目前隐表示学习的首选深度学习技术,当我们把具有某些联系的原始数据(X1,X2,…,Xn)输入到AE中进行重构学习时,可以完成特征提取的任务。自编码器的应用场景是非常广泛的,经常被用于数据去噪、图像重构以及异常检测等任务中。除此之外,当AE被用于生成与训练数据类似的数据时,称之为生成式模型。由于AE具有上述优点,一些学者便将 AE 及其变体模型应用到图神经网络当中来。文献[69]第1个提出了基于变分自编码器(VAE)的变分图自编码器模型 (VGAE),将 VAE应用到对图结构数据的处理上。VGAE利用隐变量学习出无向图的可解释隐表示,使用了图卷积网络编码器和一个简单的内积解码器来实现这个模型。

4. 未来研究展望 GNN

虽然起步较晚,但由于其强大的性能,已经取得了不俗的表现,并且也在例如计算机视觉和推荐系统等实际应用中发挥着巨大的作用。不难发现,GNN 确实更符合当前实际应用的发展趋势,所以在近几年才会得到越来越多人的关注。但是,GNN毕竟起步较晚,还没有时间积累,研究的深度和领域还不够宽广。目前来看,它依然面临着许多亟 待解决的问题,本节总结了 GNN 以后的研究趋势。

1) 动态图。目前,GNN处理的图结构基本上都是静态图,涉及动态图结构的模型较少,处理动态图对GNN来说是一个不小的挑战。静态图的图结构是静态不变的,而动态图的顶点和边是随机变化的,甚至会消失,并且有时还没有任何规律可循。目前针对 GNN 处理动态图结构的研究还是比较少的,还不够成熟。如果 GNN 能够成功应用于动态图结构上,相信这会使 GNN 的应用领域更加宽广。将 GNN 模型成功地推广到动态图模型是一个热点研究方向。

2) 异质图。同质图是指节点和边只有一种类型,这种数据处理起来较容易。而异质图则是指节点和边的类型不只一种,同一个节点和不同的节点连接会表现出不同的属性,同一条边和不同的节点连接也会表现出不同的关系,这种异质图结构处理起来就相对复杂。但异质图却是和实际问题最为贴切的场景,比如在社交网络中,同一个人在不同的社交圈中可能扮演着父亲、老师等不同的角色。对于异质图的研究还处在刚起步的阶段,模型方法还不够完善。所以,处理异质图也是将来研究的一个热点。

3) 构建更深的图神经网络模型。深度学习的强大优势在于能够形成多层的不同抽象层次的隐表示,从而才能表现出优于浅层机器学习的强大优势。但对于图深度学习来说,现有的图神经网络模型大多还是只限于浅层的结构。通过实验发现,当构造多层的神经网络时,实验结果反而变差。这是由过平滑现象造成的,GNN的本质是通过聚合邻居节点信息来表征中心节点。当构造多层的神经网络之后,中心节点和邻居节点的差异就会变得微乎其微,从而会导致分类结果变差。如何解决过平滑现象,使图神经网络能够应用于更多层的结构,从而发挥出深度学习的强大优势。虽然已有文献对其进行了讨论, 但构建更深的图神经网络模型仍是值得深入研究的问题。

4) 将图神经网络应用到大图上。随着互联网的普及,图神经网络处理的数据也变得越来越大,致使图中的节点数量变得巨大,这就给图神经网络的计算带来了不小的挑战。虽然一些学者对该问题进行了研究改进,但针对将图神经网络应用到大图上的研究同样是将来研究的热点问题,在这方面,引入摘要数据结构,构造局部图数据,并能适当地融合局部图结构,形成整体图神经网络的表示是可能的思路。

5) 探索图中更多有用的信息。在当前诸多学者对于图神经网络模型的研究中,仅仅利用了图中节点之间有无连接这一拓扑结构信息。但是,图是一个非常复杂的数据结构,里面还有很多有用的信息未被人们发现利用。比如,图中节点的位置信息。中心节点的同阶邻居节点处于不同位置,距离中心节点的远近不同应该会对中心节点产生的影响程度不同。如果能够探索出图中更多的有用信息,必会将图神经网络的性能提升一个层次,这是一个非常值得探讨的问题。

6) 设计图神经网络的数学理论保障体系。任何神经网络模型必须有强大的数学理论支撑才能发展得更快,走得更远。现在对于图神经网络模型的设计,大多还只是依靠研究者的经验和基于机理逻辑设计出来的,并且对于图神经网络模型的性能分析仅仅是从实验结果中得来,并没有从数学理论层面给出一个合理的解释。目前,该领域已有一些研究,但为图神经网络设计出强大的数学理论,指导图神经网络的构造、学习和推理过程。能够给出图神经网络学习结果正确性的数学理论保障,仍是未来发展的一个重要方向。

7) 图神经网络的工业落地。当前对于图神经网络的研究大多还只是停留在理论层面,首先设计出模型,然后在公开数据集上进行测试验证,鲜有把工业的实际情况考虑在内。虽然图神经网络在工业上已有一小部分的实际应用,但还远没有达到大规模应用的程度。任何研究只有真正地在工业界落地,才能发挥它的应用价值,反之也会促进其进一步的研究发展。尽快将图神经网络应用到实际的工业场景中,是一个亟需解决的问题。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2022-01-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 一点人工一点智能 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
2022年最新《图神经网络综述》
近几年来,将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注.图神经 网络的出现使其在上述任务中取得了重大突破,比如在社交网络、自然语言处理、计算机视觉甚至生命 科学等领域得到了非常广泛的应用.图神经网络可以把实际问题看作图中节点之间的连接和消息传播 问题,对节点之间的依赖关系进行建模,从而能够很好地处理图结构数据.鉴于此,系统综述了图神经网络模型以及应用.首先从谱域、空间域和池化3方面对图卷积神经网络进行了阐述.然后,描述了基于注意 力机制和自编码器的图神经网络模型,并补充了一些其他方法实现的图神经网络.其次,总结了针对图 神经网络能不能做大做深等问题的讨论分析.进而,概括了图神经网络的4个框架.还详细说明了在图 神经网络在自然语言处理、计算机视觉等方面的应用.最后,对图神经网络未来的研究进行了展望和总 结.相较于已有的图神经网络综述文章,详细阐述了谱理论知识,并对基于谱域的图卷积神经网络体系 进行全面总结.同时,给出了针对空间域图卷积神经网络效率低的改进模型这一新的分类标准.并总结 了针对图神经网络表达能力、理论保障等的讨论分析,增加了新的框架模型.在应用部分,阐述了图神经 网络的最新应用.
张小磊
2022/02/28
2K0
2022年最新《图神经网络综述》
图神经网络研究综述(GNN)
图神经网络由于其在处理非欧空间数据和复杂特征方面的优势,受到广泛关注并应用于推荐系统、知识图谱、交通道路分析等场景。
算法进阶
2023/10/31
1.6K0
图神经网络研究综述(GNN)
新人友好~「图神经网络前沿进展与应用」中文综述
图结构数据是现实生活中广泛存在的一类数据形式.宏观上的互联网、知识图谱、社交网络数据,微观上 的蛋白质、化合物分子等都可以用图结构来建模和表示.由于图结构数据的复杂性和异质性,对图结构数据的分析 和处理一直是研究界的难点和重点.图神经网络(GraphNeuralNetwork,GNN)是近年来出现的一种利用深度学 习直接对图结构数据进行学习的框架,其优异的性能引起了学者高度的关注和深入的探索.通过在图中的节点和 边上制定一定的策略,GNN 将图结构数据转化为规范而标准的表示,并输入到多种不同的神经网络中进行训练, 在节点分类、边信息传播和图聚类等任务上取得优良的效果.与其他图学习算法相比较,GNN 能够学习到图结构 数据中的节点以及边的内在规律和更加深层次的语义特征.由于具有对图结构数据强大的非线性拟合能力,因此 在不同领域的图相关问题上,GNN 都表现出更高的准确率和更好的鲁棒性. 本文在现有 GNN 研究的基础上,首先 概述了 GNN 的出现历程,并介绍了相关概念和定义.之后本文着重讨论和对比了 GNN 中的各种算法框架,包括 核心思想、任务划分、学习方式、优缺点、适用范围、实现成本等. 此外,本文对 GNN 算法在多个不同领域下的应用 场景进行了详细的阐述,将 GNN 与其他图学习算法的优缺点作了联系和比较.针对存在的一些问题和挑战,本文勾画了 GNN 的未来方向和发展趋势,最后对全文进行了全面而细致的总结。
Houye
2022/03/16
8630
新人友好~「图神经网络前沿进展与应用」中文综述
图神经网络(GNN)原理与应用
图神经网络(GNN)是一种深度学习的方法,特别擅长处理图结构的数据。通过一些特别的节点和边的策略,GNN能把图数据变成神经网络能训练的标准格式。在节点分类、边信息传播和图聚类这些任务中,GNN表现得都特别好。
算法进阶
2024/04/12
1.6K0
图神经网络(GNN)原理与应用
清华大学图神经网络综述:模型与应用
该文总结了近年来图神经网络领域的经典模型与典型应用,并提出了四个开放性问题。对于希望快速了解这一领域的读者,不妨先从这篇文章看起。
机器之心
2019/01/02
1.8K0
【综述专栏】图神经网络综述
在科学研究中,从方法论上来讲,都应“先见森林,再见树木”。当前,人工智能学术研究方兴未艾,技术迅猛发展,可谓万木争荣,日新月异。对于AI从业者来说,在广袤的知识森林中,系统梳理脉络,才能更好地把握趋势。为此,我们精选国内外优秀的综述文章,开辟“综述专栏”,敬请关注。
马上科普尚尚
2021/03/17
9700
【综述专栏】图神经网络综述
【GNN】图神经网络综述
本篇文章是对论文“Wu Z , Pan S , Chen F , et al. A Comprehensive Survey on Graph Neural Networks[J]. 2019.“”的翻译与笔记
zenRRan
2020/02/18
1.8K0
关于图神经网络(Graph Neural Networks,GNN)基础知识汇总1.0
图论〔Graph Theory〕是数学的一个分支。它以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形,这种图形通常用来描述某些事物之间的某种特定关系,用点代表事物,用连接两点的线表示相应两个事物间具有这种关系。
江夏四卯
2023/09/30
9.7K0
上海交通大学王宇光:几何深度学习和图神经网络的研究进展和趋势
机器之心报道 机器之心编辑部 3 月 23 日,在机器之心 AI 科技年会上,上海交通大学自然科学研究院和数学科学学院副教授、上海人工智能实验室成员王宇光老师发表了主题演讲《几何深度学习和图神经网络的
机器之心
2022/04/11
1.3K0
上海交通大学王宇光:几何深度学习和图神经网络的研究进展和趋势
首篇NLP图神经网络综述来了! 127页文档让你全面了解这个领域
近些年来,深度学习已经成为处理NLP各种任务的主要方法。由于用图(graph)来表征文本可以更好的获取文本的结构信息,且随着火热的图神经网络的兴起,各种各样的NLP问题开始用图结构的形式来表示和学习。因此,为大量的NLP任务开发新的图深度学习技术就成为了一个必要的需求。
AI科技评论
2021/07/03
1.5K0
首篇NLP图神经网络综述来了! 127页文档让你全面了解这个领域
图神经网络基础
图神经网络用于挖掘事物的“普遍联系”,理解原理、应用技术。本文汇总图神经网络相关介绍和基础模型。
aiplus
2021/11/04
2K0
图神经网络适合做推荐系统吗?
最近在看相关资料,发现相关论文不是特别多,所以比较疑惑为什么。是因为这个方向比较新,做的人还比较少呢,还是说相比其他深度学习方法(比如CNN)并没有优势,所以本身没有研究价值呢?
张小磊
2021/12/15
1.9K0
图神经网络适合做推荐系统吗?
基于空间的图卷积神经网络:GNN
基于空间的图卷积神经网络的思想主要源自于传统卷积神经网络对图像的卷积运算,不同的是基于空间的图卷积神经网络是基于节点的空间关系来定义图卷积的。
zhangjiqun
2024/12/14
3150
基于空间的图卷积神经网络:GNN
WiGNet 为视觉图神经网络的实际部署提供解决方案 !
在过去的十年中,计算机视觉领域取得了显著的进步,这主要得益于深度神经网络的成功应用[20]。这些模型已经成为图像分类、目标检测、语义分割等任务中的最先进技术。特别是,卷积神经网络(CNNs)[21]利用自然图像的局部性来提取特征,而视觉 Transformer (ViTs)则实现注意力运算符来利用输入图像的长期依赖关系。最近,基于视觉的图神经网络(GNNs)[28, 11, 27]已经被提出,并在视觉任务上取得了有前途的结果。视觉GNNs首先在从图像中提取的特征上构建一个图,然后应用图卷积而不是常规的2D卷积(CNNs)或自注意力机制(ViTs)。因此,视觉GNNs从图神经网络的丰富文献中受益,为图像分析的深度学习景观增添了新的维度。
未来先知
2024/11/19
2780
WiGNet 为视觉图神经网络的实际部署提供解决方案 !
广告行业中那些趣事系列33:从理论到实践学习当前很火的图神经网络
摘要:本篇从理论到实战详细介绍了目前很火的图神经网络GNN。首先介绍了背景,主要包括学习GNN的原因、GNN应用场景以及在我们业务中如何应用GNN;然后从理论详细介绍了GNN,包括GNN和Graph Embedding的关系、GNN的整体流程和分类以及GNN的经典模型GCN、GAT和GraphSAGE;最后在CORA数据集上基于开源框架tf_geometric实践了GAT模型。希望对于学习并将图神经网络GNN应用到实际业务场景的小伙伴可能有所帮助。
数据拾光者
2022/05/05
4090
广告行业中那些趣事系列33:从理论到实践学习当前很火的图神经网络
GNN如何建模时空信息?伦敦玛丽女王大学「时空图神经网络」综述,简明阐述时空图神经网络方法
---- 新智元报道   作者:专知 编辑:好困 【新智元导读】图神经网络将深度学习模型扩展到非欧氏空间,并能够在包括推荐系统和社交网络在内的各种应用中实现最先进的性能。 这些强大的算法在过去几年中获得了巨大的兴趣。然而,这种性能是基于静态图结构假设的,这限制了图神经网络在数据随时间变化时的性能。时序图神经网络是考虑时间因素的图神经网络的扩展。 近年来,各种时序图神经网络算法被提出,并在多个时间相关应用中取得了优于其他深度学习算法的性能。本综述讨论了与时空图神经网络相关的有趣主题,包括算法、应用和开放
新智元
2023/02/24
7530
GNN如何建模时空信息?伦敦玛丽女王大学「时空图神经网络」综述,简明阐述时空图神经网络方法
【综述专栏】全面详述图监督图结构等图学习技术进展
图表示学习旨在将高维稀疏的图结构数据有效编码为低维稠密的向量,是机器学习、数据挖掘等众多领域的一项基础任务。经典的图嵌入方法遵循图中互联节点的嵌入向量仍然可以保持相对近距离的基本思想,从而保留图中节点之间的结构信息。然而,这是次优的,因为: (i)传统方法的模型容量有限,限制了学习性能; (ii)现有技术通常依赖于无监督学习策略,无法与最新的学习范式耦合; (iii)表示学习和下游任务相互依赖,需要共同加强。随着深度学习的显著成功,深度图表示学习比浅层(传统)方法显示出了巨大的潜力和优势,近十年来提出了大量的深度图表示学习技术,尤其是图神经网络。对当前的深度图表示学习算法进行了全面的调研,提出了一个现有的最先进文献的新分类法。系统地总结了图表示学习的基本组成部分,并通过图神经网络架构和最新的先进学习范式对现有方法进行了分类。此外,本文还提供了深度图表示学习的实际和有前景的应用。最后,本文阐述了新的观点,并提出了具有挑战性的方向,值得未来进一步研究。
马上科普尚尚
2023/08/29
8580
【综述专栏】全面详述图监督图结构等图学习技术进展
【机器学习】图神经网络:深度解析图神经网络的基本构成和原理以及关键技术
随着机器学习技术的迅猛发展,越来越多的数据类型得到了广泛的研究和应用。其中,图数据由于其能够表示复杂关系和结构的特点,逐渐成为研究的热点。然而,传统的机器学习和神经网络方法在处理图数据时往往力不从心,因为它们主要针对的是结构化数据(如表格数据)或序列数据(如文本和时间序列)。因此,如何高效地处理和分析图数据成为了一个重要的研究课题。
空白诗
2024/06/18
1.5K0
【机器学习】图神经网络:深度解析图神经网络的基本构成和原理以及关键技术
深度学习时代的图模型,清华发文综述图网络
他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网络;无监督方法,包括图自编码器;近期新的研究方法,包括图循环神经网络和图强化学习。然后按照这些方法的发展史对它们进行系统概述。该研究还分析了这些方法的区别,以及如何合成不同的架构。最后,该研究简单列举了这些方法的应用范围,并讨论了潜在方向。
机器之心
2019/01/02
9660
319篇文献、41页综述文章讲述图神经网络用于医疗诊断的前世今生与未来
ScienceAI编译 编辑:文龙 本文介绍图神经网络(GNN)用于医疗诊断和分析的一篇综述文章《Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past, Present and Future》。 随着数据驱动的机器学习研究的进步,探索如何利用机器学习来分析医疗数据变得至关重要。现有方法的一个主要限制是人体生理信息的数据结构通常是不规则的和无序的,很难将这些数据网格化为易于分析处理的格式。而图表神经网络通过边连接交互节点,并可以将
机器之心
2023/03/29
2K0
319篇文献、41页综述文章讲述图神经网络用于医疗诊断的前世今生与未来
推荐阅读
相关推荐
2022年最新《图神经网络综述》
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档