2020 年图机器学习的热门趋势1

1. 对图神经网络将有更为扎实的理论认识
以前的启发式方法正被新的理论解决方案所取代。关于图神经网络的工作原理，已经有了一些重要的研究结果。如：
如果我们希望图神经网络能够计算一个流行的图问题（如循环检测、直径估计、顶点覆盖等等），那么节点嵌入的维数（网络宽度 w）乘以层数（网络深度 d) 应与图 n的大小成正比，即 dw=O(n)。此外，图神经网络本质上与分布式计算模型类同。

在一定的权重条件下，当层数增加时，GCN 只能学习节点度和连通分量（由拉普拉斯谱（the spectra of the Laplacian）确定），除此之外什么也学不到。这个结果推广了马尔科夫过程（Markov Processes）收敛到唯一平衡点的著名性质，其中收敛速度由转移矩阵的特征值决定。

图神经网络和它们可以捕获的节点分类器类型之间的联系。在邻域聚合之后添加一个读出操作，这样当每个节点更新所有特性时，它就拥有了关于图中所有其他节点的信息。

其他工作如图神经网络测量图信息的使用，以及基于角色和基于距离的节点嵌入的等价性。