目次
1はじめに：
この部分は、実際には最後の1つで学習した論文の概要です。したがって、予備読解が採用されます。主な処理は、論文の一般的な中国語を分類し、ニューラルネットワークで一般的に使用される略語を分類し、論文を分類することです。一般化する。
2、要約：
1.グラフニューラルネットワークとは
ためのニューラルネットワーク構造の地図データ処理、およびグラフ埋め込み密接ネットワークまたは埋め込みグラフ埋め込み又は包埋ネットワークに関連するデータマイニングと懸念を機械学習の別の主題です。埋め込みは、ネットワークトポロジとグラフのノードコンテンツ情報を保持することにより、グラフの頂点を低次元ベクトルとして表すことを目的としているため、単純な機械学習アルゴリズム（たとえば、サポートベクターマシン分類）を処理に使用できます。
第二に、どのようなグラフニューラルネットワークがあります
グラフニューラルネットワークは、次の5つのカテゴリに分類されます。
- グラフ畳み込みネットワーク（グラフ畳み込みネットワーク、GCN）
- グラフ注意ネットワーク
- グラフオートエンコーダー
- グラフ生成ネットワーク
- グラフの時空間ネットワーク
3.グラフニューラルネットワークの応用
-
コンピュータビジョン（ CV ）
-
推奨システム推奨システム
- 交通交通
3.ニューラルネットワークで一般的に使用される略語
图卷积网络（Graph Convolution Networks，GCN）
图注意力网络（Graph Attention Networks,(GAN\GAT)）
图自编码器（ Graph Autoencoders）
图生成网络（ Graph Generative Networks）
图时空网络（Graph Spatial-temporal Networks）
图神经网络 GNN
几何深度学习 GDL
图表示学习 GRL
基于空间的图卷积神经网络Spatial-based Graph Convolutional Networks
门控注意力网络(Gated Attention Network)（GANN）
图形注意力模型(Graph Attention Model)（GAM）
图自动编码器(Graph Autoencoders)
Graph Autoencoder (GAE)和Adversarially Regularized Graph Autoencoder (ARGA)
图自编码器的其它变体有：
具有反向正则化自动编码器的网络表示Network Representations with Adversarially Regularized Autoencoders (NetRA)
用于图表示的深度神经网络Deep Neural Networks for Graph Representations (DNGR)
结构深网嵌入Structural Deep Network Embedding (SDNE)
深度递归网络的嵌入Deep Recursive Network Embedding (DRNE)
图生成网络 Graph Generative Networks
分子生成对抗网络 Molecular Generative Adversarial Networks (MolGAN)
Deep Generative Models of Graphs (DGMG)
图时空网络Graph Spatial-Temporal Networks
扩散卷积递归神经网络 Diffusion Convolutional Recurrent Neural Network (DCRNN)
CNN-GCN
Spatial Temporal GCN (ST-GCN)
Structural-RNN5.紙の詳細メモ
5.1グラフニューラルネットワークとは
従来のディープラーニングには、ヨーロッパ以外の空間に適用すると制限があるためです。たとえば、eコマースでは、グラフベースの学習システムはユーザーと製品間の相互作用を使用して非常に正確な推奨を行うことができますが 、処理において大きな課題に直面しています。これは、グラフが不規則であるためです。各グラフには、可変サイズの順序付けられていないノードがあります。グラフの各ノードには、隣接するノードの数が異なり、画像内でいくつかの重要な操作（たたみ込みなど）が発生します。 （画像）は簡単に計算できますが、画像での直接使用には適していません。さらに、既存のディープラーニングアルゴリズムの中心的な前提は、データサンプルが互いに独立していることです。ただし、グラフの場合はそうではありません。グラフ内の各データサンプル（ノード）には、グラフ内の他の実際のデータサンプル（ノード）に関連するエッジがあり、この情報を使用してインスタンス間の相互依存関係をキャプチャできます。
5.2グラフ埋め込みとグラフニューラルネットワークの違い
5.3グラフたたみ込みネットワーク（GCN）
5.4 GCNメソッドは2つのカテゴリに分類できます
スペクトルに基づく（スペクトルベース）および空間に基づく（空間ベース）
スペクトルベースの方法では、グラフ信号の処理の観点からフィルターを導入してグラフのたたみ込みを定義します。ここで、グラフのたたみ込み操作は、グラフの信号からノイズを除去すると解釈されます。空間ベースの方法では、グラフの畳み込みを近傍からの特徴情報の集約として表現します。グラフの畳み込みネットワークアルゴリズムがノードレベルで実行されると、グラフのプールモジュールをグラフの畳み込み層と交互に配置して、グラフを高レベルのサブ構造に粗くできます。。次の図に示すように、このアーキテクチャ設計を使用して、グラフ表現のすべてのレベルを抽出し、グラフ分類タスクを実行できます。
以下では、スペクトルベースのGCNとスペースベースのGCNをそれぞれ簡単に紹介します。
既存のスペクトルベースのグラフたたみ込みネットワークモデルは次のとおりです。スペクトルCNN、チェビシェフスペクトルCNN（ChebNet）、適応グラフたたみ込みネットワーク（AGCN）
スペクトルベースのグラフたたみ込みニューラルネットワークメソッドの一般的な欠点は、グラフたたみ込みを実行するためにグラフ全体をメモリに読み込む必要があることです。これは、大きなグラフを処理する場合には効率的ではありません。
参照
知っている：https : //zhuanlan.zhihu.com/p/62629465