近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此一个新的研究热点——“图神经网络（Graph Neural Networks，GNN）”应运而生。

在二月九号结束的AAAI 2021会议上，对于图神经网络研究主题共录用论文29篇，是本次会议论文篇数录入最多的主题。

AMiner将本次主题中其中三篇论文的重点内容进行了整理汇总。

1.Data Augmentation for Graph Neural Networks

论文链接：

https://www.aminer.cn/pub/5ee7495191e01198a507f7f2/

近年来，数据驱动推理技术在泛化能力和性能方面得到了极大的提高。这些方法通过在没有附加地面真值标签的情况下创建现有数据的合理变化来增加可用的训练数据量，并在计算机视觉（CV）等领域得到广泛采用（DeVries和Taylor）。gagg-O和gagg-M在图形神经网络（GNNs）体系结构、数据集和替代方案上不断改进，但PPI上的GAT例外，其中drop-EDGE表现最好。

由于图形的不规则性，为促进GNN训练而进行的数据扩充具有独特的挑战。我们的工作通过利用神经边缘预测器将GNNs暴露于可能的边缘和限制暴露于不可能的边缘来解决这个问题。我们证明了这样的边缘预测器可以编码类同态来提升类内边缘和类间边，gagg优于BGCN、DA E DGE和D ROP EDGE的增强：gagg-M分别提高了9.3%、4.8%和4.1%，而gagg-O分别提高了4.9%、2.7%和2.0%。

我们提出了gagg图数据扩充框架，该框架利用这些依据两种推理环境下提高节点分类性能。

2.Planning with Learned Object Importance in LargeProblem Instances using Graph Neural Networks

论文链接：

https://www.aminer.cn/pub/5f60846c91e011380586ff7f/

经典规划的一个关键研究议程是将核心框架扩展到大规模的实际应用中，具有学习对象重要性的计划（PLOI）始终比所有其他方法的计划速度快得多。在一些领域，例如Gripper，PLOI比纯规划快两个数量级。在河内的例子中，所有的目标都是必要的，我们看到PLOI可与纯规划相比较，这证实了PLOI在需要所有目标的问题中以很少的开销简化为纯规划的理想性质。这种现象表明，图神经网络（GNNs）是实现PLOI有效规划的关键。我们引入了PLOI，这是一种简单、强大、通用的机制，用于在包含许多对象的大型问题实例中进行规划。

未来工作的一个直接方向是调查使用GNN作为重要性评分器与统计关系学习技术的经验影响（Koller et al 2007；曲、本吉奥和唐（2019年）。另一个方向是研究如何将PLOI应用于开放域，在开放域中，代理事先不知道问题实例中的对象集。

3.Semi-Supervised Node Classificationon Graphs: Markov Random Fields vs. Graph Neural Networks

论文链接：

https://www.aminer.cn/pub/5fe5b75291e011e85bd96936/

给定一个无向图、图中每个节点的一个特征向量和一小组标记节点，半监督节点分类的目的是同时对剩余的未标记节点进行分类，这是因为信念传播（BP）和线性化BP（LinBP）不学习边权值和耦合矩阵，而学习耦合矩阵（LCM），为了进一步说明LCM和BP/LinBP之间的区别，表3给出了六个图上齐次边和非齐次边的平均初始化权值和LCM学习的平均权值，针对图结构数据中的半监督节点分类问题，提出了一种学习成对马尔可夫随机场耦合矩阵的新方法。我们在六个基准数据集上的评估结果表明，优化的基于成对马尔可夫随机场（pMRF）的方法比最先进的图神经网络更准确和有效，在验证数据集上达到最高精度的超参数，未来的工作是优化的基于pMRF的方法和图形神经网络之间的联系，并将它们统一到一个通用框架中。

编辑：苏辰凡

建议阅读：

高考失利之后，属于我的大学本科四年

【资源分享】对于时间序列，你所能做的一切.

【时空序列预测第一篇】什么是时空序列问题？这类问题主要应用了哪些模型？主要应用在哪些领域？

【AI蜗牛车出品】手把手AI项目、时空序列、时间序列、白话机器学习、pytorch修炼

公众号：AI蜗牛车保持谦逊、保持自律、保持进步个人微信
备注：昵称+学校/公司+方向
如果没有备注不拉群！
拉你进AI蜗牛车交流群