图神经网络真的这么强大吗？

非常感谢长期关注深度学习与图网络的同学和老师们，希望2021公众号能够走的更远，也希望我们能够在图网络上有更多的研究成果。如果你觉得公众号不错，感谢帮忙转发，分享。

如果您有最新的关于图网络的研究工作想要分享：微信推文形式，视频形式都可以，或者有什么建议已经想要吐槽的，公众号后台与小编联系。招博，招实习，招聘等都可以联系~

问一问近几年来逆势而上的技术有什么？相信你一定会说出来一个：图神经网络。

图神经网络将会在人工智能的各个领域起着非常重要的作用，虽然目前还没有完全成为各大顶会的焦点，但不可否认，它将会。因为相对于一般的神经网络，图神经网络解决了一个很关键的问题，就是object与object之间的关系，这个object可以是网络中的节点，图像中的像素，文本中的单词，语音中的音符，甚至是神经网络的基本操作。可以看出来，图神经网络可以与自然语言处理，计算机视觉，强化学习，甚至是最基本的缺失值补全这样的机器学习任务结合。图神经网络下面的一些特点：

（1）图神经网络能够实现强大的非结构学习的能力：

图神经网络能够从非结构化数据（例如:场景图片、故事片段等）中进行学习和推理。尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。

（2）图神经网络可以学习时序以及非时序排序的特征学习：

GNN的输出不以节点的输入顺序为转移的。而在时空领域的建模，我们既可以关注无先后顺序的空间拓扑结构，也可以建模有顺序的时间维度，多一维度的信息，多一份决策的能力；

（3）图神经网络可以解决两个节点之间依赖关系的学习：

传统的神经网络中，这种依赖关系只能通过节点的特征来体现。图嵌入通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。