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5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
组合优化问题
而不是顺序生成邻接矩阵， MolGAN [117] 预测离散图结构（邻接 矩阵）一次并利用置换不变 判别器解决节点变异问题 邻接矩阵。 此外，它应用了一个奖励网络 针对所需化学性质的基于 RL 的优化。 更重要的是，[115] 提出了约束变分 自动编码器以确保生成的语义有效性 图表。 而且，GCPN [116] 包含特定领域 通过强化学习制定规则。 [126] 提出了一个模型，该模型生成边缘和 节点顺序并利用图神经网络 提取当前使用的图的隐藏状态 决定行动。
设置图上的组合优化问题 NP-hard 问题引起了广泛关注 各个领域的科学家。一些具体的问题，比如旅行 推销员问题（TSP）和最小生成树 (MST) 有各种启发式解决方案。最近，使用 用于解决此类问题的深度神经网络 热点，一些解决方案进一步利用图 神经网络，因为它们的图结构。 [127]首先提出了一种深度学习方法来解决 茶多酚。他们的方法由两部分组成：一个指针网络 [128] 用于参数化奖励和策略梯度 [129] 训练模块。这项工作已被证明 与传统方法相媲美。然而， 指针网络专为文本等顺序数据而设计， 而顺序不变的编码器更适合 这样的工作。 [130] 通过图神经网络改进了该方法。 他们首先从 structure2vec 获得节点嵌入 [67]，它是 GCN 的一个变体，然后喂它们 进入用于决策的 Q 学习模块。这部作品 获得了比以前的算法更好的性能， 证明了图神经网络的表示能力 网络。 [113]提出了一种基于注意力的编码器-解码器算法。 这样的方法可以看成是graph attention 其读出阶段是基于注意力的网络 解码器而不是强化学习模块，它 理论上是有效的训练。 [111]专注于二次分配问题，即 测量两个图的相似度。基于 GNN 模型独立学习每个图的节点嵌入 并使用注意力机制图的相似度。基于 GNN 模型独立学习每个图的节点嵌入 并使用注意力机制匹配它们。 这种方法即使在 出现标准放松技术的制度 受苦。 [112] 直接使用 GNN 作为可以执行的分类器 对具有成对边的图进行密集预测。这 模型的其余部分帮助 GNN 进行多种选择和训练 有效率的。
