【NTU博士论文】图结构数据的深度学习

文章预览

图结构数据在各个领域中广泛存在，表示实体之间有价值的关系信息。然而，大多数深度学习技术，如卷积神经网络（CNN）和循环神经网络（RNN），都是针对网格结构数据设计的，难以处理图数据。这引发了对使用图神经网络（GNNs）进行图表示学习的日益兴趣。GNNs通常通过消息传递将图结构融入神经网络层中。然而，图神经网络仍面临诸多挑战，如缺乏严格的基准、模型表达能力的局限性和较差的可扩展性。 本论文旨在通过解决这些关键问题，推动图表示学习的发展。首先，它开发了全面的基准，用于标准化评估GNNs。这包括中等规模的任务，涵盖社交网络、计算机视觉和组合优化等领域中节点、边和图分类的监督和半监督学习。论文还引入了一个专门设计的全新基准，用于测试大规模图中长距离交互建模的能力。 其次，论文致力于开发新的GNN ………………………………