图片

论文链接：https://arxiv.org/pdf/2301.05860.pdf

图在表示关系数据(如化合物、蛋白质和社交网络)方面具有卓越的能力。因此，图级学习以一组图作为输入，已应用于许多任务，包括比较、回归、分类等。传统的图学习方法往往依赖于手工设计的特征，如子结构。但是，虽然这些方法受益于良好的可解释性，但它们往往遭受计算瓶颈，因为它们不能绕过图同构问题。相反，深度学习通过自动提取特征并将图解码为低维表示，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了许多成功。然而，没有一个全面的调研来回顾从传统学习到深度学习方法的图级学习。本文填补了这一空白，并将具有代表性的算法框架化为一个系统的分类，包括传统学习、图级深度神经网络、图级图神经网络和图池化。为了确保一个彻底的全面的综述，从四个不同的分支的开发方法之间的演变，交互和交流也被检查。接下来简要回顾基准数据集、评估指标和常见的下游应用。该调研总结了13个必要研究的未来方向，这些研究将有助于克服这一蓬勃发展的领域面临的挑战。

内容中包含的图片若涉及版权问题，请及时与我们联系删除