图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。

GNN的历史最早可以追溯到 2005 年，Gori 等人第一次提出 GNN 概念，用 RNN 来处理无向图、有向图、标签图和循环图等。Bruna等人提出将 CNN 应用到图上，通过对卷积算子巧妙的转换，提出了图卷积网络（Graph Convolutional Netwok，GCN），并衍生了许多变体。

除了图卷积神经网络，GNN主流算法还包括有图自编码器、图生成网络、图循环网络以及图注意力网络。

本资源整理了可信图神经网络（Graph Neural Networks）论文、工具、资源，分享给大家。

资源整理自网络，下载及获取见源地址：https://github.com/Radical3-HeZhang/Awesome-Trustworthy-GNNs

往期精品内容推荐

22年CV必读中文书籍-《实时3D渲染入门到精通》免费pdf分享

机器学习必读新书-《凸优化算法原理详解》免费pdf分享

历史最全图数据（GraphData）增强、数据扩充相关论文分类整理分享

ML、DL、NLP面试常考知识点、代码、算法理论基础汇总分享

深度学习花书《Deep Learning》-中英文版分享-AI必读10本经典

文本转图片自动生成(Text-to-Image)历史最全模型、数据集、经典论文整理分享

谷歌云系统构建新书-《构建、实现和维护稳定且安全云系统的最佳方案》免费分享

Yann LeCun-《深度学习(pytorch)》中英字幕视频及ppt分享

【双语字幕】伯克利-《深度学习：深度神经网络设计、可视化与理解》视频及ppt分享

图 卷积 神经网络 2005 年 ，Marco Gori等人发表了 论文 ，首次提出了GNN的概念，在此之前，处理 图 数据的方法是在数据的预处理阶段将 图 转换为用一组向量表示。这种处理方法会丢失很多的结构信息，得到的结果会严重依赖于对 图 的预处理，GNN的提出能够将学习过程直接架构在 图 数据之上。 2009 年 ，进一步的阐述了 图 神经网络 ，提出了一种监督的方法来训练GNN，但是 什么是GNN GNN是Graph Neural Network的简称，是用于学习包含大量连接的 图 的联结主义模型。当信息在 图 的节点之间传播时GNN会捕捉到 图 的独立性。与标准 神经网络 不同的是，GNN会保持一种状态，这个状态可以代表来源于人为指定的深度上的信息。 图 神经网络 处理的数据就是 图 ，而 图 是一种非欧几里得数据。GNN的目标是学习到每个节点的邻居的状态嵌入，这个状态嵌入是向量且可以用来产生输出，例如... ©作者|戴恩炎，赵天翔，王苏杭单位|宾夕法尼亚州立大学对于 可信 图 神经网络 （Trustworthy Graph Neural Networks）在隐私（privacy），鲁棒性（robustness），公平（fairness）和可解释性（explainability） 的研究工作，我们进行了系统的梳理和讨论。对于 可信 赖所要求的各个方面，我们将现有概念和方法归类并提炼... 一、简介fastText 是 Facebook 于2016 年 开源的一个词向量训练与文本分类 工具 ，其典型应用场景是“无监督的词向量学习”和“有监督的文本分类”。fastText 提供简单而高... 本文试 图 沿着 图 神经网络 的 历史 脉络，从最早基于不动点理论的** 图 神经网络 **(Graph Neural Network， GNN)一步步讲到当前用得最火的** 图 卷积 神经网络 **(Graph Convolutional Neural Network， GCN)。 本文的提纲与叙述要点主要参考了3篇 图 神经网络 的Survey，分别是来自： - IEEE Fellow的 [Comprehensive Survey on Graph Neural Networks](https://arxiv.org/abs/190 3. 统计关系学习（Statistical Relational Learning）是将关系表示和似然表示相结合的机器学习理论，区别于传统的机器学习算法对数据独立同分布的假设（传统的机器学习算法假设： "数据对象是 同类 且 独立不相关的"）。统计关系学习准许数据非同类且可以有相关性，更适合 图 上的事实情况，因此，与 图 数据的学习有更好的契合。但是，网络表示学习很难提供 表示学习到任务学习的端到端系统，因此， 图 数据的端到端学习仍是一个问题。来源均指这个理论的提出者或者讲解的 论文 &&书籍。 图 神经网络 （GNN）热度持续上升，之前我们曾介绍了清华两篇综述 论文 ，参见：深度学习时代的 图 模型，清华发文综述 图 网络，和清华大学 图 神经网络 综述：模型与应用。最近，IEEE Fellow、Senior Member 和 Member Zonghan Wu 等人又贡献了一篇 图 神经网络 综述文章。这篇文章介绍了 GNN 的背景知识、发展 历史 、分类与框架、应用等，详细介绍了各种模型与方法，包括公式、模型 图 示、... 什么是GNN GNN是Graph Neural Network的简称，是用于学习包含大量连接的 图 的联结主义模型。当信息在 图 的节点之间传播时GNN会捕捉到 图 的独立性。与标准 神经网络 不同的是，GNN会保持一种状态，这个状态可以代表来源于人为指定的深度上的信息。 图 神经网络 处理的数据就是 图 ，而 图 是一种非欧几里得数据。GNN的目标是学习到每个节点的邻居的状态嵌入（embedding），这个状态嵌入是向量且... 人工 神经网络 是计算智能和机器学习研究的最活跃的分支之一 ，它是从人脑的生理结构出发 ，探讨人类智能活动的机理 。 从 １９４３ 年 McCulloch 和 Pit ts 首先提出 M P 神经元数学模型开始 ， 神经网络 的研究大致经过了 １９４７ ～ １９６９ 年 的初创期 ，１９７０ ～ １９８６ 年 的低潮过渡期和 １９８７ 年 至今的蓬勃发展期。 为促进 神经网络 研究工作的开展 ，国内外已出版了有关... #今日 论文 推荐# 可信 图 神经网络 综述：隐私，鲁棒性，公平和可解释性 对于 可信 图 神经网络 （Trustworthy Graph Neural Networks）在隐私（privacy），鲁棒性（robustness），公平（fairness）和可解释性（explainability） 的研究工作，我们进行了系统的梳理和讨论。对于 可信 赖所要求的各个方面，我们将现有概念和方法归类并提炼出各类的通用框架。同时我们也给出了代表性工作和前沿方法的具体细节。对于未来的工作方向，我们也进行了探讨。 在现实应用当中， 作者：上海小胖 【新智元导读】在MIT和哈佛大学合作的项目中，研究员们探索了 神经网络 的 可信 度问题，他们开发了一种可以处理数据的 神经网络 ，不仅可以输出预测结果，还可以根据可用数据的质量，给出模型的 可信 赖水平。 神经网络 被用的越来越多了。 无论是医疗诊断还是自动驾驶，在许多关乎人类安全与健康的重要领域， 神经网络 逐渐开始发挥作用。 但是这些 神经网络 ， 可信 吗？ 我们都知道， 神经网络 善于从大型、复杂的数据中识别模式，以帮助人类决策，但是它进行识别的过程却是一个黑箱。 一些AI研究者就试 图 揭开这一秘密，..