本文主要介紹了2021年最新的圖神經網絡綜述，是入坑的最佳材料。

圖神經網絡已經成為深度學習領域最炙手可熱的方向之一了，也是各大互聯網公司非常歡迎的方向。

本文來自圖挖掘大牛Philip S. Yu老師和在異質圖領域深耕的北郵Chuan Shi教授。一作Xiao Wang是圖挖掘的Rising Star。圖神經網絡大部分的研究是針對簡單同質圖設計的。然后，在工業實際場景下，數據往往更加復雜，是包含多種類型節點和邊的異質圖。例如，電商推薦實際是預測用戶-商品之間的邊。因此，異質圖神經網絡更具有實際經濟價值。

本文分類梳理了異質圖神經網絡及表示學習最新的進展，包括模型，應用及相關的資源(數據&代碼)。非常值得一看~

本文來自圖挖掘大牛Philip S. Yu老師和學術新秀 Shirui Pan，主要介紹了圖上自監督學習的最新進展。自監督學習這1，2年非?；?，當然也免不了蔓延到圖神經網絡領域。例如，圖神經網絡預訓練模型基本都是采用自監督訓練的。

image-20210302115026004

image-20210302115128408

圖神經網絡與元學習結合的相關模型及應用。圖神經網絡經過這幾年的發展，已經逐漸進入了深水區。一些研究者便將其與多種傳統技術如元學習結合，彎道超車，也發了一些頂會論文。

本文來自清華大學朱文武團隊。與傳統深度學習算法類似，圖深度學習(包括圖表示學習和圖神經網絡)也不可避免的需要調整大量超參數。AutoML可以實現自動超參數搜索，本文則是集中梳理了圖上的自動機器學習技術。

原文標題：【2021最新】4篇圖神經網絡綜述論文，建議收藏！

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq