![](https://image.jiqizhixin.com/uploads/editor/48f404ef-b889-4d18-a289-1b847c6ed1a5/640.png)
图 Transformers + 位置特征
等变 GNNs
分子的生成模型
GNNs + 组合优化 & 算法
子图 GNN:超越 1-WL
可扩展和深度 GNN:层数 100 及以上
知识图谱
利用 GNN 做很酷的研究
新的数据集、挑战和任务
课程和书籍
库和开源
如何保持更新
![](https://image.jiqizhixin.com/uploads/editor/4d1faac5-cdbe-4a96-bb32-c7aae15afd33/640.png)
![](https://image.jiqizhixin.com/uploads/editor/bebb9d58-5a01-4b67-8b0a-72776809289d/640.png)
![](https://image.jiqizhixin.com/uploads/editor/81c93bb1-f396-4af8-a2a8-5f35dd942447/640.png)
![](https://image.jiqizhixin.com/uploads/editor/11013aca-2609-4bfc-90e6-3675d703e2cd/640.png)
![](https://image.jiqizhixin.com/uploads/editor/dd502140-1ada-4bf2-9356-cf709beae4c5/640.png)
![](https://image.jiqizhixin.com/uploads/editor/7bb0ee78-1806-4b2d-8318-16b237164f3f/640.png)
![](https://image.jiqizhixin.com/uploads/editor/12a155d5-4af6-4f4f-9bac-2bf03359249f/640.png)
![](https://image.jiqizhixin.com/uploads/editor/3800a092-08fe-43ae-af3a-065230d63b8f/640.png)
![](https://image.jiqizhixin.com/uploads/editor/e2ad8fea-f027-42d0-a206-d352a31aaf24/640.png)
![](https://image.jiqizhixin.com/uploads/editor/04a7dccc-b6fd-49d0-ab02-2b277064f02c/640.png)
![](https://image.jiqizhixin.com/uploads/editor/65f08e37-0dcc-42f7-9b3a-1b164db03e27/640.png)
![](https://image.jiqizhixin.com/uploads/editor/afbffe5d-29a6-4596-8094-12bad7219e2d/640.png)
![](https://image.jiqizhixin.com/uploads/editor/a20e7044-6984-47e7-adc7-d6a4d0af1637/640.png)
![](https://image.jiqizhixin.com/uploads/editor/f45bb627-bad1-41ed-a415-f09544a23545/640.png)
![](https://image.jiqizhixin.com/uploads/editor/beee6c18-8b93-4886-8d67-831e56c7e69b/640.png)
![](https://image.jiqizhixin.com/uploads/editor/4884b1e5-9c84-414f-b3b0-896fdc50b608/640.png)
![](https://image.jiqizhixin.com/uploads/editor/e4e7a6e4-abc0-42c5-a3a5-0bd50fd49077/640.png)
![](https://image.jiqizhixin.com/uploads/editor/07b83789-8512-4d66-a5c7-c3c515cbc73b/640.png)
![](https://image.jiqizhixin.com/uploads/editor/5c605241-2818-41c4-81ee-a9f6a6a566e2/640.png)
OGB 数据集包含 3 个非常大的图,可分别用于节点分类(240M 节点)、链接预测(整个 Wikidata,90M 节点)和图回归(4M 分子)任务。在 KDD Cup 中,大多数获胜团队使用了 10-20 个模型组合;
由 Meta AI 发起的公开催化剂挑战赛( Open Catalyst NeurIPS’21 Challenge ),提供了一项大型分子任务——给出具有原子位置的初始结构,预测其松弛状态能。这个数据集非常庞大,需要大量的计算,但组织者暗示将发布一个更小的版本,这将对 GPU 预算有限的小型实验室更友好。事实上,Graphormer 在 OGB LSC 和 OpenCatalyst ' 21 中都获得了第一名,并在 2021 年获得了 Graph ML 的大满贯;
GLB 2021 带来了一组新的数据集,包括 Lim 等人提出的 non-homophilous graphs ,Tsitsulin 等人提出的 graph simulations,以及 Rozemberczki 等人提出的 spatiotemporal graphs 等;
NeurIPS’21 数据和基准赛道带来了新数据集,MalNet 可用于图分类,该数据集的平均图大小是 15k 节点以及 35k 边;ATOM3D 可用于 3D 分子任务;RadGraph 可用于从放射学报告中提取信息。
书籍地址:https://arxiv.org/pdf/2104.13478.pdf
课程地址:https://geometricdeeplearning.com/lectures/
由 18 位学者参与撰写的知识图谱新书:https://kgbook.org/
William Hamilton 的图表示学习手册:https://www.cs.mcgill.ca/~wlh/grl_book/
TensorFlow GNN 地址:https://github.com/tensorflow/gnn
TorchDrug 地址:https://torchdrug.ai/
PyG 2.0 — 现在支持异构图、GraphGym 以及一系列改进和新模型;
DGL 0.7 — 在 GPU 上进行图采样,更快的内核,更多的模型;
PyKEEN 1.6 — 更多的模型、数据集、指标和 NodePiece 支持;