课程链接

Motivation

输入是图：

考虑结构和关系信息。

如何在图结构中做Convolution?

Spatial-based GNN

Aggregate:用neighbor feature update下一层的hidden state

Readout:把所有nodes的feature集合起来代表整个graph

NN4G (Neural Networks for Graph)

输出：

每一层的结果取平均后再相加。

DCNN (Diffusion-Convolution Neural Network)

d为距离（图中表示的是到节点3的距离）

第 i 层，找到距离为i的节点的特征取mean，再乘上权重。

每个节点的表示，由k个这样的层组成：

concat 之后， 乘以权重得到输出。

DGC (Diffusion Graph Convolution)

和上一篇类似，得到的输出是直接相加：

MoNET (Mixture Model Networks)

无脑相加 -> 给一个权重的定义：重新定义距离，用定义的距离做weight，再进行sum 或 mean。

GraphSAGE

对邻居feature的处理方式：

mean

max-pooling

LSTM（把邻居节点喂给LSTM，output是hidden state，每次update时，随便sample一个邻居节点的顺序来消除LSTM对顺序的关注）

GAT (Graph Attention Networks)

对邻居做attention。

节点特征：

计算energy（weight）：

计算attention分数：

每个节点的feature = sum{ 所有邻居节点 * 邻居节点各自的energy(attention weight) }

自己的feature + sum（邻居features）

用sum，不用mean或max pooling，区别不同形态的图：

GNN库： Deep Graph Library dgl.ai

Notes | 图神经网络

原文：https://www.cnblogs.com/shona/p/13794900.html