在2019年的ACL、KDD、ICLR、ICML、ICCV、WWW、NeurIPS，以及2020年的ICLR中，出现了多篇以图神经网络（GNN）为代表的论文，涉及若干个经典且新颖任务。以下附上这些论文，供相关研究人员下载、学习研究。

GraphNeuralNetwork 《深入浅出图神经网络：GNN原理解析》配套代码 关于勘误 由于作者水平有限，时间仓促，书中难免会有一些错误或不准确的地方，给读者朋友造成了困扰，表示抱歉。 仓库中提供了目前已经发现的一些问题的,在此向指正这些错误的读者朋友表示感谢。 在5.4节图滤波器的介绍中，存在一些描述错误和概念模糊的问题，可能给读者理解造成偏差，勘误中对相关问题进行了更正 环境依赖 python>=3.6 jupyter scipy numpy matplotlib torch>=1.2.0 Getting Start FAQ Cora数据集无法下载 Cora数据集地址是：。 仓库中提供了一份使用到的cora数据，可以分别将它放在 chapter5/cora/raw 或者 chapter7/cora/raw 目录下。 新代码直接使用本地数据.

人工智能领域的顶会AAAI 2020将在2020年2月7日-12日在美国纽约举行。据官方统计消息，AAAI 2020今年共收到的有效论文投稿超过 8800 篇，其中 7737 篇论文进入评审环节，最终收录数量为 1591 篇，接收率 20.6%。开会在即，提前整理了AAAI 2020图神经网络(GNN)相关的接收论文，让大家先睹为快——跨模态、部分标签学习、交通流预测、少样本学习、贝叶斯图神经网络。

关于图神经网络（GNN）的必读文章 GNN 必读论文 GNN：图神经网络 由 Jie Zhou、Ganqu Cui、Zhengyan Zhang 和 Yushi Bai 贡献。 内容 1. 调查 2. 模型 2.1 基本模型 2.2 图类型 2.3 池化方法 2.4 分析 2.5 效率 3. 应用 3.1 物理 3.2 化学和生物学 3.3 知识图谱 3.4 推荐系统 3.5 计算机视觉 3.6 自然语言处理 3.8 攻击生成器 3.3 攻击生成器3.10 图聚类 3.11 图分类 3.12 强化学习 3.13 交通网络 3.14 小样本和零样本学习 3.15 程序表示 3.16 社交网络 3.17 图匹配 3.18 计算机网络调查论文 图神经网络介绍。 人工智能与机器学习综合讲座，Morgan & Claypool 出版社，2020 年。书志远刘，周杰。 图神经网络：方法和应用综述。 arxiv 2018. 论文 Jie Zhou、Ganqu Cui、Zhengyan Zhang、Cheng Yang、Zhiyuan Liu、Maosong Sun。 图神经网络综合

必须阅读的有关GNN的论文 GNN：图神经网络 由周杰，崔干渠，张正彦和白玉石贡献。 图神经网络简介。 人工智能和机器学习，摩根克莱普尔出版社，2020年合成讲座 刘志远周杰 图神经网络：方法与应用综述。 arxiv 2018. 周杰，崔干渠，张正彦，杨成，刘志远，孙茂松。 图神经网络的全面调查。 arxiv 2019. 吴宗汉，潘世瑞，陈凤文，龙国栋，张成启，余飞飞。 图形数据的对抗性和防御性：一项调查。 arxiv 2018. 孙立超，窦颖彤，杨卡尔，王继，余宇飞，李波。 图上的深度学习：调查。 arxiv 2018. 张子伟，崔鹏，朱文武。 关系归纳偏置，深度学习和图网络。 arxiv 2018. Battaglia，Peter W和Hamrick，Jessica B和Bapst，Victor和Sanchez-Gonzalez，Alvaro和Zambaldi，Vinicius

近期，IJCAI 2020 论文集已经放出来。在 4717 份有效投稿中，最终仅有 592 篇被接收，接收率为 12.6%，这也是 IJCAI 史上最低的接收率。我们发现在今年的IJCAI 2020会议上图神经网络相关的论文非常多，今天小编专门整理最新6篇图神经网络（GNN）应用在数据挖掘上的相关论文——多通道GNN、自适应时空图卷积、会话流GNN、双重注意力GNN、域自适应HIN、双线性GNN。

本文继续为大家整理了五篇CVPR 2020 图神经网络（GNN）相关论文，供大家参考——行为识别、少样本学习、仿射跳跃连接、多层GCN、3D视频目标检测。

图神经网络依然是研究焦点之一。最近在WWW2020的DL4G@WWW2020论坛，斯坦福大学Jure Leskovec副教授介绍了图神经网络研究最新进展，包括GNN表现力、预训练和公开图神经网络基准等。值得关注。

图形健身房 GraphGym是用于设计和评估图神经网络（GNN）的平台。 强调 1.高度模块化的GNN管道 数据：数据加载，数据拆分 模型：模块化GNN实施 任务：节点/边/图级GNN任务 评估：精度，ROC AUC，... 2.可重复的实验配置 每个实验均由配置文件完整描述 3.可扩展的实验管理 轻松并行启动数千个GNN实验 自动生成随机种子和实验中的实验分析和图形。 4.灵活的用户定制 轻松地在注册您自己的模块，例如数据加载器，GNN层，损失函数等。 为什么选择GraphGym？ TL; DR： GraphGym非常适合GNN初学者，领域专家和GNN研究人员。 方案1：您是GNN的初学者，他想了解GNN的工作原理。 您可能已经阅读了许多有关GNN的精彩论文，并尝试编写自己的GNN实现。使用现有的GNN包，您仍然必须自己编写必要的管道。 GraphGym是您开始学习标准化GNN实施

本文发现基于图神经网络（Graph Neural Networks，GNN）相关的接受paper非常多，图神经网络这几年方法的研究，以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。