图神经网络（六）GNN的应用简介（3）GNN的未来展望
6.3 GNN的未来展望
作为一种新兴的神经网络技术， GNN \text{GNN} GNN 的快速发展离不开近些年深度学习在各方面的重要积淀。而与 GNN \text{GNN} GNN 的结合，可以助力深度学习系统拓展其在更广领域、更多层面的场景任务中获得成功。我们非常确信在未来几年， GNN \text{GNN} GNN 会在越来越多的场景下得到应用 [0] 。
接下来，我们从 3 3 3 个方面总结对 GNN \text{GNN} GNN 的未来研究的展望。当然以下观点仅供参考，读者朋友也应有自己的思考。
1.充分适应复杂多变的图数据
一方面，图数据的类型及其繁杂，如关系经常发生变化的 动态图、一条边连接两个以上节点的 超图 ，这些图数据的结构更加复杂，需要 GNN \text{GNN} GNN 进行针对性的设计。另一方面， GNN \text{GNN} GNN 针对 异构图 与 属性图 还需要进行更充分的研究与设计，以学习其中丰富多样的语义信息。
2.在更多推理任务上的应用于学习机制的研究改进
推理任务 已经成为当下深度学习系统面临的核心任务之一，虽然 GNN \text{GNN} GNN 已经展现出了其在相关任务上的独特优势，但是内在的作用机理还有待充分研究。通过对学习机制的不断完善与发展，来此时 GNN \text{GNN} GNN 在更多、更复杂的推理任务中获得更好的表现。
3.对超大规模图建模的支持
现有的大多数图神经网络都无法扩展到 规模巨大的图数据 中去。 GNN \text{GNN} GNN 的训练是一种协同的学习方式，再一次迭代中，节点固有的上下文会导致其状态的更新需要设计大量邻居节点的隐藏状态，复杂度极高，难以应用小批量训练方式提升计算效率。尽管已有研究提出基于抽样和分区的手段来解决这类问题，但这些手段仍不足以扩展到工业级超大规模属性图的学习中去。
参考文献
[0] 刘忠雨, 李彦霖, 周洋.《深入浅出图神经网络: GNN原理解析》.机械工业出版社.