《表1 图卷积神经网络的主要方法》
在建模图卷积神经网络时,研究人员关注如何在图上构建卷积算子.Bruna等人[17]在2013年提出第一个图卷积神经网络,他们基于图谱理论从卷积定理出发,在谱空间定义图卷积.这一支后来发展为图卷积领域的谱方法.最初的谱方法具有时空复杂度较高的弊端,ChebNet[18]和GCN[19]对谱方法中的卷积核进行参数化,大大降低了时空复杂度.这两个方法虽然被归为谱方法,但已经开始从空间角度定义节点的权重矩阵.在这两个方法的启发下,空间方法应用而生,开始考虑在节点域用注意力机制、序列化模型等建模节点间的权重.这一时期的图卷积神经网络在构建卷积算子过程中没有过多的考虑图特性,随着卷积算子的逐渐完善,人们开始考虑多样的图特性,如开始关注如何建模图上的高阶信息,并分别针对边上带特征的图、异质图等进行精细设计.此外,如何训练更高效的图卷积神经网络也受到广泛关注.研究人员开始试图训练更深层的图卷积神经网络,以增强模型的泛化能力.同时,模型到大规模图的可扩展性以及训练的速度也是图卷积神经网络中非常重点的研究方向.表1展示了图卷积神经网络的主要方法.
图表编号 | XD00163165500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 徐冰冰、岑科廷、黄俊杰、沈华伟、程学旗 |
绘制单位 | 中国科学院网络数据科学与技术重点实验室、中国科学院计算技术研究所、中国科学院大学、中国科学院网络数据科学与技术重点实验室、中国科学院计算技术研究所、中国科学院大学、中国科学院网络数据科学与技术重点实验室、中国科学院计算技术研究所、中国科学院大学、中国科学院网络数据科学与技术重点实验室、中国科学院计算技术研究所、中国科学院网络数据科学与技术重点实验室、中国科学院计算技术研究所 |
更多格式 | 高清、无水印(增值服务) |