本论文旨在通过解决这些关键问题，推动图表示学习的发展。
图结构数据在各个领域中广泛存在，表示实体之间有价值的关系信息。然而，大多数深度学习技术，如卷积神经网络（CNN）和循环神经网络（RNN），都是针对网格结构数据设计的，难以处理图数据。这引发了对使用图神经网络（GNNs）进行图表示学习的日益兴趣。GNNs通常通过消息传递将图结构融入神经网络层中。然而，图神经网络仍面临诸多挑战，如缺乏严格的基准、模型表达能力的局限性和较差的可扩展性。本论文旨在通过解决这些关键问题，推动图表示学习的发展。首先，它开发了全面的基准，用于标准化评估GNNs。这包括中等规模的任务，涵盖社交网络、计算机视觉和组合优化等领域中节点、边和图分类的监督和半监督学习。论文还引入了一个专门设计的全新基准，用于测试大规模图中长距离交互建模的能力。其次，论文致力于开发新的GNN架构，以提高图上的学习表现和泛化能力。它通过引入图形领域的归纳偏差（如利用稀疏性和设计Laplacian位置编码）将Transformer网络扩展到图结构数据领域。另一种技术通过使用具有信息量的图扩散特征，在GNN中分别学习结构和位置表示。这显著增强了模型的能力。最后，论文解决了图模型（尤其是图Transformer）在大规模图上扩展的问题。它研究了设计原则，如整合高效的局部和全局图表示。基于此，提出了一个可扩展的图Transformer框架。该框架通过引入新颖的邻域采样和全局注意机制，捕捉大规模图中的局部结构和全局依赖关系。总体而言，通过严格的基准测试、富有表现力的架构和可扩展的模型，本论文在多个方面对推动图结构数据上的深度学习做出了重要贡献。这些技术为GNN在处理复杂关系数据的实际应用中铺平了道路。
数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。
新浪微博：@数据派THU
微信视频号：数据派THU
今日头条：数据派THU
