近年来，图神经网络研究成为深度学习领域的热点。最近，清华大学朱文武等人综述了图网络，清华大学孙茂松组也发布了预印版综述文章 Graph Neural Networks: A Review of Methods and Applications。除此之外，孙茂松组周界、崔淦渠、张正彦同学对 GNN 相关的综述论文、模型与应用进行了综述，并发布在 GitHub 上。
GitHub 链接：https://github.com/thunlp/GNNPapers
综述论文
这部分共介绍了 8 篇论文，包括前面提到的清华大学的两篇综述论文。
机器之心介绍过其中的部分论文，参见：
模型
模型部分包括 35 篇论文，包括：
Yoshua Bengio 发表在 ICLR 2018 上的论文《Graph Attention Networks》，该论文提出了基于近邻节点注意机制的网络架构 GAT，可用于处理复杂、不规则结构的计算图，并在三种困难的基准测试中得到了业内最佳水平，研究人员称该模型有望在未来处理任意不规则结构图。
谷歌发表在 ICLR 2018 上的论文《Graph Partition Neural Networks for Semi-Supervised Classification》，该论文提出了一种图神经网络的新变体——图分割神经网络（Graph Partition Neural Network，GPNN），该网络适用于处理大型图。
清华朱军等人发表在 ICML 2018 上的论文《Stochastic Training of Graph Convolutional Networks with Variance Reduction》，提出基于控制变量的图卷积网络（GCN），有效减少感受野大小。
腾讯 AI Lab 发表在 AAAI 2018 上的论文《Adaptive Graph Convolutional Neural Networks》，提出自适应图卷积神经网络 AGCN，可接受任意图结构和规模的图作为输入。
李佳等人发表在 TOMM 2015 上的论文《CelebrityNet: A Social Network Constructed from Large-Scale Online Celebrity Images》，提出了一种基于图像的社交网络 CelebrityNet，该网络基于名人照片中编码的隐性关系构建而成。
KDD 2018 最佳论文《Adversarial Attacks on Neural Networks for Graph Data》，提出了针对图深度学习模型的对抗攻击方法，是首个在属性图上的对抗攻击研究；研究者还提出了一种利用增量计算的高效算法 Nettack。
……
论文列表如下：
应用
应用部分有 86 篇论文，包括：
DeepMind 发表在 ICLR 2017 上的论文《Discovering objects and their relations from entangled scene representations》和《Metacontrol for Adaptive Imagination-Based Optimization》，介绍了交互网络在场景理解和基于想象的决策（imagination-based decision-making）上的应用。
Geoffrey Hinton 等人发表在 NIPS 2016 上的论文《Attend, Infer, Repeat: Fast Scene Understanding with Generative Models》，该论文提出了一个用于结构化图像模型（可以对目标进行明确的推理）中的有效推理的框架。这种方法是通过使用一个循环神经网络来执行概率推理——该循环神经网络可以处理场景元素且一次处理一个。关键的是，该模型自身可以学习选择合适数量的推理步骤。相比于监督式的方法，该网络可以产出更精确的推理，而且它们的结构也可以使归纳得到进一步的提升。
港中文发表在 AAAI 2018 上的论文《Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition》，该论文提出了一种时空图卷积网络，并利用它们进行人类行为识别。这种算法基于人类关节位置的时间序列表示而对动态骨骼建模，并将图卷积扩展为时空图卷积网络而捕捉这种时空的变化关系。
CMU 和谷歌的 CVPR 2018 Spotlight 论文《Iterative Visual Reasoning Beyond Convolutions》，提出了一种新的迭代视觉推理框架。该框架超越了目前只具备卷积堆栈推理能力的识别系统。该框架由两个核心模块组成：一个是局部模块，使用空间记忆以并行更新的方式存储以前的信念；另一个是全局图形推理模块。
谷歌发表在 NIPS 2017 上的著名论文《Attention Is All You Need》，提出了一种新型的简单网络架构——Transformer，它完全基于注意力机制，彻底放弃了循环和卷积。
Christopher D. Manning 发表在 EMNLP 2015 上的论文《Effective Approaches to Attention-based Neural Machine Translation》，探讨了两种简单有效的注意机制类别：一种能顾及到所有源词的全局方法，以及一种只能一次查看源词的一个子集的局部方法。
DeepMind 2018 年的研究《Relational Deep Reinforcement Learning》，提出了一种「关系性深度强化学习」方法，并在星际争霸 2 中进行了测试。
来自微软研究院和西门菲莎大学的研究者发表在 ICLR 2018 上的论文《Learning to Represent Programs with Graphs》，提出基于程序图简化程序分析，从源代码中学习。该方法结合基于数理逻辑和自然语言理解的程序分析方法，可以更准确地查找已发布软件中的 bug。
清华朱军等人发表在 ICML 2018 上的论文《Adversarial Attack on Graph Structured Data》，关注图神经网络的鲁棒性，即通过攻击（对抗）训练的方法来增强图神经网络分类的稳定性。
Christopher D. Manning 等人发表在 ACL 2015 上的论文《Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks》，提出了改善语义表征的 Tree-LSTM，用于自然语言处理任务，在预测句子相关度和情感分类任务上表现优异。
Christopher D. Manning 等人发表在 EMNLP 2018 上的论文《Graph Convolution over Pruned Dependency Trees Improves Relation Extraction》，提出一种用于关系提取的图卷积网络变体。
UCLA 朱松纯教授等人发表在 ECCV 2018 上的论文《Learning Human-Object Interactions by Graph Parsing Neural Networks》，提出图解析神经网络（Graph Parsing Neural Network，GPNN），用于检测和识别图像和视频中人-物交互的任务。
……
论文列表如下：
