图神经网络最近这么火，不妨看看我们精选的这七篇

关注文章公众号 回复"图神经网络"获取本主题精选论文

论文推荐

图是现实世界中一类重要的数据结构，社交网络、通讯网络、交通网络、蛋白质作用网络等都可以由图的形式表达。图的生成与分类、社区发现、节点分类等任务也有着广泛应用。近几年图卷积神经网络把深度学习中卷积神经网络的思想用到图的学习上，达到了非常好的效果。

由SFFAI13分享嘉宾王胤全同学和高扬同学精选出来的7篇有关图神经网络的论文,将让你全面了解图卷积神经网络的历史及最新进展。你可以先仔细阅读（本公众号对话窗口回复“图神经网络”，获取精选论文下载链接），并带着问题来现场交流呦?

1

?????

推荐理由：提出了GCN的一种随机训练方法，克服了大规模图的GCN训练代价过高的缺点，极大减小了训练的空间复杂度。

2

?????

推荐理由：首次将Attention机制引入了GCN中，在PPI数据集上取得了很好的效果提升。

3

????

推荐理由：首次提出了neighborhood aggregate模式，模型适用于Inductive Learning，并且提出的模型适用于大图。

4

????

推荐理由：克服了GCN随着层数增加效果变差的缺陷，层数增加到30层效果没有下降，同时模型可以应用到百万级别的数据集上。

5

????

推荐理由：运用图卷积的思想提出了DCRNN来进行时间和空间上的交通流预测，并达到了很好的效果。

6

????

推荐理由：指出了GCN层数无法加深的原因，并提出了co-training和self-training的方法提高了GCN的能力。

7

????

推荐理由：改变了单纯使用多项式拟合卷积核的做法，自适应地找到一个task-driven的残差Laplacian来帮助优化卷积核。