当前位置: X-MOL 学术arXiv.cs.SI › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
用于稳健表示的深度图结构学习:一项调查
arXiv - CS - Social and Information Networks Pub Date : 2021-03-04 , DOI: arxiv-2103.03036
Yanqiao Zhu, Weizhi Xu, Jinghao Zhang, Qiang Liu, Shu Wu, Liang Wang

图神经网络(GNN)被广泛用于分析图结构数据。大多数GNN方法对图结构的质量高度敏感,并且通常需要完美的图结构来学习信息性嵌入。但是,图中的噪声无处不在,因此有必要为现实世界中的问题学习可靠的表示形式。为了提高GNN模型的鲁棒性,围绕图结构学习(GSL)的中心概念提出了许多研究,旨在共同学习优化的图结构和相应的表示形式。为此,在提出的调查中,我们广泛回顾了GSL方法在学习鲁棒表示中的最新进展。具体来说,我们首先制定GSL的一般范式,然后回顾按模型结构建模方式分类的最新方法,其次是将GSL理念纳入其他图形任务的应用程序。最后,我们指出了当前研究中的一些问题,并讨论了未来的方向。



"点击查看英文标题和摘要"

更新日期:2021-03-05
down
wechat
bug