15、图表示学习的现状与未来挑战

图表示学习的现状与未来挑战

1. 图表示学习概述

图表示学习是机器学习领域中一个新兴且发展迅速的子领域。近年来，该领域取得了显著进展，图神经网络（GNNs）已成为相对标准的技术，同时也涌现出了数十种图的深度生成模型，我们对这些技术的理论理解也在快速巩固。然而，随着该领域的发展，也存在一定的停滞风险，一些方法逐渐根深蒂固，研究贡献的重点变得越来越狭窄。

2. 潜在图推理

2.1 潜在图推理的定义

大多数图表示学习技术通常假设输入是给定的图结构，其挑战在于如何有效地嵌入或表示这样的输入图。但同样重要且互补的挑战是从无结构或半结构化输入中推断图或关系结构，这一任务被称为潜在图推理。

2.2 潜在图推理的重要性

潜在图推理是图表示学习的一个基本挑战，因为它使我们即使在没有输入图的情况下也能使用类似GNN的方法。从技术角度来看，这一研究方向可以基于图生成工具，并将其与GNN方法相结合。

2.3 相关研究进展

已经有一些有前景的初步工作，例如Kipf等人在2018年提出的神经关系推理（NRI）模型，以及Wang等人在2019年推断的最近邻图。初步研究结果表明，即使在有输入图的情况下，潜在图推理也可能提高模型性能。构建能够推断超出给定输入图的潜在图结构的模型，是推动图表示学习向前发展的关键方向，这也可能开辟无数新的应用领域。

2.4 潜在图推理的流程

潜在图推理的一般流程如下：
1. 数据准备 ：收集无结构或半结构化的输入数据。
2. 特征提取