从连续动力学到图神经网络：神经扩散与更多
原文中文，约400字，阅读约需1分钟。发表于：。图神经网络（GNNs）在建模关系型数据方面表现出显著的潜力，并被广泛应用于各个领域。图神经网络的关键机制是所谓的消息传递，其中信息从邻域迭代地聚合到中心节点。将消息传递过程类比为热扩散动力学可以从根本上理解 GNNs 的优势和局限，并进而指导模型设计。最近，出现了大量使用连续动态学的 GNNs 的作品，旨在解决 GNNs...
本文探讨了图神经网络在建模关系型数据方面的潜力和局限，介绍了使用连续动态学的GNNs的优势和局限性，以及适应GNNs的连续动态学的基本要素和对图神经动力学设计的一般框架。作者回顾和分类了现有作品，并确定了多个开放的研究方向。
