「图神经网络前沿进展与应用」

22年初，图神经网络（GNN）成为互联网圈的流行语，一整年，关于GNN的研究热情日益高涨，其已经成为各大深度学习顶会的研究热点。

GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统和自然语言处理等方面都取得了新的突破。

步入23年之际，此文为大家回顾22年在GNN领域最新的研究综述以及研究趋势，我特地选了5篇具有代表性的文章为大家叙述，希望对在该领域想发论文的同学带来一些新思路！

这篇论文是基于双曲空间的图神经网络，它将图神经网络建立在双曲空间，而不是我们常见的欧式空间中。这篇研究综述主要是通过解释何为双曲空间？以及为什么要在双曲空间中建立图神经网络出发，进而研究在双曲空间中的使用图神经网络有哪些优势、应用以及目前的困境和机遇。

图数据广泛存在于现实世界中, 可以自然地表示复合对象及其元素之间的复杂关联，但目前尚缺乏对于图分类研究的完整综述。本论文给出了图分类问题的定义和该领域的挑战; 然后梳理分析了两类图分类方法—基于图相似度计算的图分类方法和基于图神经网络的图分类方法; 接着给出了图分类方法的评价指标、常用数据集和实验结果对比; 最后介绍了图分类常见的实际应用场景, 展望了图分类领域的未来研究方向并对全文进 行总结。

随着社会越来越关注数据隐私，GNN面临着适应这种新常态的需要。这导致了近年来联邦图神经网络研究的迅速发展。本文对联邦图神经网络提出了一种新的3层分类法，以帮助对该领域感兴趣的研究者理解图神经网络和联邦学习是如何相得益彰的，最后文章还从6个方向展望了未来如何构建更鲁棒、动态、高效和可解释的FedGNNs。

此论文引出等变图神经网络中的基本概念，并结合在药物研发领域中发表的文献，来分析讨论等变图神经网络的巨大应用价值，作者分析现有方法并将其分为三组，以了解如何表示 GNN 中的消息传递和聚合。还总结了基准以及相关数据集，以方便后期研究方法开发和实验评估。还提供了对未来潜在方向的展望。

该论文首次对异质图的gnn作了一个全面的综述。具体来说，作者提出了一个系统的分类法，该分类法本质上支配着现有的亲异GNN模型，并对其进行了一般性的总结和详细的分析。并且该文总结了主流的异质图的基准，以促进稳健和公平的评价。最后，作者指出了潜在的方向，以推进和激励未来对异质图的研究和应用。