雷锋网AI科技评论编者按：本篇文章的内容是“计算机视觉及图神经网络教程”的一部分，将概述重要的图神经网络方面的工作进展 。通过提取关键思想并解释使用Python和PyTorch这样经典的方法背后的所思所想 。
本文来自Boris Knyazev的文章《Anisotropic, Dynamic, Spectral and Multiscale Filters Defined on Graphs》在不改变原文意思的基础上，雷锋网AI科技评论的编译如下：
文章插图
图1：图神经网络图（GNN）及其相关工作进展 。为了避免造成进一步的混乱，有一部分研究成果的边缘并没有突出显示，例如，有关动态图所做的大量工作值得单独概述 。
20多年的图神经网络历程在之前的“图神经网络图（GNN）以及相关的成果”中，添加了我去年遇到的关于图的论文 。在这个图中，两项研究成果之间的有向边表示一篇文章是以另一篇文章为基础的，而这个图的颜色则表示：
- 红色-频谱方法（需要对拉普拉斯图进行特征分解，将在下面进行解释）
- 绿色-在空间域中的有效方法（不需要对拉普拉斯图进行特征分解）
- 蓝色-等效于频谱方法，但不需要进行特征分解（因此，真正有效的是空间方法）
这里有一份简单的研究成果清单涵盖了大多数重要方法：
- 知识图的关系机器学习综述（Nicket 等人, 2015）
推荐阅读
- 吃所谓的童子鸡有什么好处，童子鸡比一般的鸡营养好吗?
- 判有期徒刑最多的能减刑几年
- 怎么搞好夫妻之间的关系
- 祝福老人的话简短一句话 送给老人的祝福语
- 膜技术的特点
- 过年放假安排2023调休 关于2023年过年放假安排的通知
- 世界上最大的沙漠是哪个有多大
- 冷车启动的时候需要热车吗
- 打动人的生日祝福语
- 莲藕孔内是黑的怎么清洗 莲藕孔发黑怎样清洗
-
