一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第3天，点击查看活动详情。
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。
对一个经典的图神经网络综述进行学习。记录其中的要点。
在图像领域应用
图像分类图像分类是一个非常基础的 计算机视觉领域的一项重要任务， 备受关注，拥有众多著名数据集 像 ImageNet [123]。图像分类的最新进展 受益于大数据和GPU的强大力量 计算，它允许我们在没有 从图像中提取结构信息。然而， zero-shot和few-shot学习越来越多 在图像分类领域很流行，因为大多数 模型可以通过足够的数据实现类似的性能。 有几项利用图神经网络的工作 在图像分类中加入结构信息。
一、知识图谱可以作为额外信息 指导零短识别分类[29]，[94]。 [94] 构建每个节点对应的知识图谱 一个对象类别并采用节点的词嵌入 作为预测不同类别分类器的输入。 随着深度的加深会发生过度平滑的效果 卷积架构，[94]中使用的6层GCN 会洗掉表示中的许多有用信息。 解决传播过程中的平滑问题 GCN，[29] 设法使用具有更大的单层 GCN 包括一跳和多跳的邻域 图中的节点。事实证明，它有效地建立了一个 零样本分类器与现有分类器。 除了知识图谱， 数据集中的图像也有助于小样本学习 [93]。 [93] 提出构建加权全连接图像 基于相似性的网络并进行消息传递 在图中用于少数镜头识别。作为大多数知识 图对于推理来说很大，[96] 选择了一些相关的 实体根据对象的结果构建子图 检测并将GGNN应用于提取的图 用于预测。此外，[95] 提出构建一个新的 实体是所有类别的知识图谱。 并且，他们定义了三种类型的标签关系：超从属， 正相关和负相关 并直接在图中传播标签的置信度。 视觉推理计算机视觉系统通常 需要通过结合空间和 语义信息。所以生成图表是很自然的 推理任务。 一个典型的视觉推理任务是视觉问答（ VQA)、[97]分别构建图像场景图 和问题句法图。然后它应用GGNN来训练 用于预测最终答案的嵌入。尽管 对象之间的空间连接，[124] 建立了关系 以问题为条件的图表。有知识 图，[92]，[98] 可以进行更精细的关系探索 和更可解释的推理过程。 视觉推理的其他应用包括对象 检测、交互检测和区域分类。 在目标检测 [99]、[100] 中，GNN 用于计算 投资回报率特征；在交互检测 [101]、[102] 中，GNN 是 人与物之间的消息传递工具；在地区 分类 [103]，GNN 对图进行推理 它连接了地区和阶级。
