ACM Survey || 麦考瑞大学最新《图级别学习》综述，274篇文献，图学习从图核到图transformer的交互和演变

文章预览

Acm Computing Survey || 麦考瑞大学最新《图级别学习（Graph-level Learning）》综述，涵盖274篇文献，探讨图机器学习从图核到图transformer的交互和演变 1.基本信息 图级别学习的最新技术和潜力 （State of the Art and Potentialities of Graph-level Learning） 时间：2024年9月 ACM COMPUTING SURVEY （https://dl.acm.org/doi/10.1145/3695863） 2.摘要 图具有出色的表示关系数据（如化合物、蛋白质和社交网络）的能力。因此，以一组图为输入的图级学习已应用于许多任务，包括比较、回归、分类等。学习一组图的传统方法严重依赖手工制作的特征，例如子结构。虽然这些方法受益于良好的可解释性，但它们经常受到计算瓶颈的困扰，因为它们无法避开图同构问题。相反，深度学习通过自动提取特征并将图编码为低维表示，帮助图级学习适应不断增长的图规模。因此，这些深度图学习方法取得 ………………………………