A Comprehensive Survey on Graph Neural Networks

​
本文是对《A Comprehensive Survey on Graph Neural Networks》论文的一个翻译，主要针对文字部分，插图和表格不添加，需要请看原论文。

摘要

近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常用欧几里德空间表示。然而，越来越多的应用程序从非欧几里德域生成数据，并将其表示为对象之间具有复杂关系和相互依存关系的图。图数据的复杂性对现有的机器学习算法提出了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本综述中，我们全面概述了数据挖掘和机器学习领域中的图神经网络（GNN）。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络，图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网的开源代码、基准数据集和模型评估。最后，我们提出了这一快速发展领域的潜在研究方向。

1. 引言

最近神经网络的成功推动了模式识别和数据挖掘的研究。许多机器学习任务，如目标检测、机器翻译和语音识别，曾经严重依赖手工特征工程来提取信息特征集，最近已被各种端到端深度学习范式所彻底改变，例如卷积神经网络（CNN）、循环神经网络（RNN），和自动编码器。深度学习在许多领域的成功部分归功于快速发展的计算资源（如GPU）、大训练数据的可用性以及从欧几里德数据（如图像、文本和视频）中提取潜在表示的深度学习的有效性。以图像数据为例，我们可以将图像表示为欧几里德空间中的规则网格。卷积神经网络（CNN）能够利用图像数据的平移不变性、局部连通性和合成性。因此，CNN可以提取局部有意义的特征，这些特征与整个数据集共享，用于各种图像分析。
虽然深度学习有效地捕获了欧几里德数据的隐藏模式，但越来越多的应用程序将数据表示为图。例如，在电子商务中，基于图的学习系统可以利用用户