摘要

深度学习已被证明在从声学，图像到自然语言处理的许多领域都取得了成功。但是，由于图的独特特性，将深度学习应用于普适的图数据并非易事。最近，大量研究工作致力于将深度学习方法应用于图形，从而在图形分析技术方面取得了有益的进步。在本次调查中，我们全面回顾了图上不同类型的深度学习方法。基于现有模型的模型架构和训练策略，我们将其分为五类：图形递归神经网络，图形卷积网络，图形自动编码器，图形强化学习和图形对抗方法。我们
然后主要通过遵循它们的发展历史，以系统的方式对这些方法进行全面的概述。我们还分析了不同方法的差异和组成。最后，我们简要概述了使用它们的应用，并讨论了潜在的未来研究方向。

1  引言

如何分析图上的数据是困难的。有如下困难，包括图的不规则/异构与否/大规模/整合跨学科知识等困难。

我们主要把图上的深度学习分为以下几类以及其区别

 

• 图RNN通过节点级别或图级别的建模状态来捕获图的递归和顺序模式。
• GCN在不规则图结构上定义卷积和读出操作，以捕获常见的局部和全局结构模式。
• GAE采取低等级的图结构，并采用无监督的方法进行节点表示学习。
• 图形RL定义了基于图形的动作和奖励，以在遵循约束的同时获得图形任务的反馈。
• 图对抗方法采用训练技术来增强基于图的模型的泛化能力，并通过对抗攻击测试其鲁棒性。

 

2  基本概念定义