2-5 复杂认知图神经网络及其应用

复杂认知图神经网络综述

1. 面向复杂图的图神经网络

• 面向通用网络的图神经网络：考虑不同网络属性（如社交网络和拍卖网络）的不同传播机制，提出了一种通用图卷积网络（Universal Graph Convolutional Networks, UGCN），以适应不同类型的网络。
• 面向文本丰富的网络的图神经网络：提出了一种双类型网络构建方法（BiTe-GCN），通过结合拓扑结构和特征信息，改进了文本丰富的网络处理。
• 面向属性缺失的异质信息网络的图神经网络：提出了通过属性完成的方法来处理节点属性缺失的问题。
• 面向高阶依赖关系网络的图神经网络：结合马尔可夫随机场（Markov Random Fields, MRF）和图卷积网络（Graph Convolutional Networks, GCN），提出了一个端到端的学习框架。

2. 认知图神经网络

• 随机游走聚合的图神经网络（RAW-GNN）：通过随机游走聚合机制，提高了图神经网络在处理高阶依赖关系网络中的表现。
• 对比图匹配网络（CGMN）：用于自监督的图相似性学习。
• 高阶依赖关系网络的图神经网络：结合马尔可夫随机场和图卷积网络，提出了一种新的学习框架。

关键研究成果

• 2022年主要成果：
  • RAW-GNN: RAndomWalk Aggregation based Graph Neural Network
  • CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning
  • Graph Neural Network for Higher-Order Dependency Networks
  • A New Attribute-Missing Network Embedding Approach
  • Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism
  • Fast Algorithms for Core Maximization on Large Graphs
  • Analyzing Heterogeneous Networks with Missing Attributes by Unsupervised Contrastive Learning
  • GATrust: A Multi-Aspect Graph Attention Network Model for Trust Assessment in OSNs
• 2021年主要成果：
  • Heterogeneous Graph Neural Network via Attribute Completion
  • AS-GCN: Adaptive Semantic Architecture of Graph Convolutional Networks for Text-Rich Networks
  • GCN for HIN via Implicit Utilization of Attention and Meta-paths
  • Robust Detection of Link Communities with Summary Description in Social Networks
  • Universal Graph Convolutional Networks
  • BiTe-GCN: A New GCN Architecture via Bidirectional Convolution of Topology and Features on Text-rich Networks
  • Budget-constrained Truss Maximization over Large Graphs: A Component-based Approach
  • Self-Guided Community Detection on Networks with Missing Edges
  • Adversarial Representation Mechanism Learning for Network Embedding

以上总结涵盖了复杂图神经网络的关键内容和重要研究成果。