前言问题：近年来，深度学习促进了很多机器学习任务的发展，这些任务很多都表示在规则的欧几里得空间中表示。但是图作为具有复杂关系和对象之间相互依赖，其数据是

文章目录0 摘要2 Related Work3 Infrastructure3.1 Requirements of Federated Graph Learning3.2 development based on FederatedScop

摘要：深度学习兴起，数据一般用欧式空间表示，但出现的图数据-非欧氏空间。本文工作：综述机器学习和数据挖掘中的GNN，①分为4类&a

转载 苏一 本篇文章知乎大佬对论文“Wu, Zonghan , et al. "A Comprehensive Survey on Graph Neural Networks." (2019).“”后的翻译与笔记&am

转载公众号 深度学习与图网络  2020新综述-Machine Learning on Graphs:A Model and Comprehensive Taxonomy 【斯坦福谷歌】最新《图机器学习》综述论文，

北邮石川老师团队的论文，又是有关异构图的。 本文指出，异构图在现实中不可避免地是有噪声的或不完整的，因此，对于hgnn来说，学习异构图结构而不是仅仅依赖原始图结构是至关重要的。本文首次尝试学习最优的异构图结构用于hgnn，提出了一个新的框架

文章目录摘要引言文本分类方法TextING构建思路和创新点方法构图基于图的词交互读出函数模型变种实验数据集对比模型实验设置结果参考文献摘要 文本分类是自然语言的基础，GNN进来被广泛用于该任务。然而&#xff0