图是一种强大的数学抽象,可以描述从生物学、高能物理学到社会科学和经济学等领域的复杂关系和互动系统。尽管它们的前景光明,并已有一系列图表示学习的成功案例,但是目前仍然没有取得卷积神经网络在计算机视觉领域同等水平的成果。在本系列文章中,作者将试着概述一下他对可能原因的看法,以及该领域在未来几年将如何取得进展。
在本文中,作者讨论了图同构问题,图同构测试的 Weisfeiler-Lehman 启发式,以及如何用它来分析图神经网络的表达能力。
本文是系列文章的第一篇,作者将讨论图深度学习领域的发展和未来趋势。
使用子结构来证明可表达的图神经网络。
本文是图神经网络系列文章中的第三部分。
图神经网络架构的深度能否带来任何优势?
在本文中,作者将描述时间图网络(Temporal Graph Network,TGN),这是一个用于深度学习动态图的通用框架。
在本文中,作者描述了 Twitter 开发的一个简单的图神经网络架构,它可以处理非常大的图。