人工智能（AI）最近经历了复兴，在视觉，语言，控制和决策等关键领域取得了重大进展。 部分原因在于廉价数据和廉价计算资源，这些资源符合深度学习的自然优势。 然而，在不同的压力下发展的人类智能的许多定义特征仍然是当前方法无法实现的。 特别是，超越一个人的经验 - 从婴儿期开始人类智能的标志 - 仍然是现代人工智能的一项艰巨挑战。 以下是部分立场文件，部分审查和部分统一。我们认为组合概括必须是AI实现类似人类能力的首要任务，结构化表示和计算是实现这一目标的关键。就像生物学利用自然和培养合作一样，我们拒绝“手工工程”和“端到端”学习之间的错误选择，而是倡导一种从其互补优势中获益的方法。我们探索如何在深度学习架构中使用关系归纳偏差来促进对实体，关系和组成它们的规则的学习。我们为AI工具包提供了一个新的构建模块，具有强大的关系归纳偏差 - 图形网络 - 它概括和扩展了在图形上运行的神经网络的各种方法，并为操纵结构化知识和生成结构化行为提供了直接的界面。我们讨论图网络如何支持关系推理和组合泛化，为更复杂，可解释和灵活的推理模式奠定基础。作为本文的配套文件，我们还发布了一个用于构建图形网络的开源软件库，并演示了如何在实践中使用它们。

GNN综述阅读报告，报告涵盖有多篇GNN方面的论文，以及一个按照论文《The Graph Neural Network Model 》使用pytorch编写的模型例子，该模型在人工数据上进行运行和验证。

图卷积神经网络及其应用，来自中科院计算所沈华伟博士在ICLR 2019顶会上的演讲稿，欢迎大家下载学习。

来自密歇根州立大学的YaoMa, Wei Jin, andJiliang Tang和IBM研究Lingfei Wu与 Tengfei Ma在AAAI2020做了关于图神经网络的Tutorial报告，总共305页ppt，涵盖使用GNNs对图结构数据的表示学习、GNNs的健壮性、GNNs的可伸缩性以及基于GNNs的应用，非常值得学习。

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。

以下附上三篇中文图神经网络（GNN）的论文，其中，两篇为综述类论文，另外一篇为基于原路径的实体集扩展方法研究。

本文为大家整理了六篇SIGIR 2020 基于图神经网络的推荐（GNN+RS）相关论文，这六篇论文分别出自中科大何向南老师和和昆士兰大学阴红志老师团队，供大家参考——捆绑推荐、Disentangled GCF、服装推荐、多行为推荐、全局属性GNN

在这个 Simulink 文件中，我们将 ZNN 模型与 GNN 模型进行了时变矩阵求逆的比较