来源：投稿 作者：张宇
编辑：学姐

近年来，作为一项新兴的图数据学习技术，图神经网络（GNN）受到了非常广泛的关注，在各大顶级学术会议上，图神经网络相关的论文也占了相当可观的份额。

我们知道图结构是最复杂的一种数据结构，其他数据结构都可以看做是图结构的一种推广。图结构在现实世界中也有很多应用，比如城市轨道交通图、社交关系图、生物医学领域等。

GNN辅助医药研制

图神经网络就是将图结构引入深度学习领域产生的一项技术，我们通常指的图神经网络一般就是图卷积神经网络，除此之外也有基于Random Walk的网络。

卷积神经网络CNN

图卷积网络GCN

传统的卷积神经网络是通过移动卷积核的方式进行卷积，形象的说就是使用每个元素附近的元素（包含自身）使用卷积核加权相加的方式来更新自身信息。

图神经网络与其类似，如果图中的每个结点只使用附近的一阶邻居（也就是存在邻接关系的结点）对自身进行更新的话，那这种卷积方式是类似于CNN中的3*3卷积的。

因为图结构每个结点周围邻居的数目是不确定的，所以对于GCN来说对于邻居结点的加权不像CNN中使用可学习的卷积核，而一般是使用加权的方式，并且目前的几种经典图卷积网络就是在加权方式上有所不同。

GCN考虑两结点之间的边的权重以及两结点的度；GAT考虑两结点之间的相似性，使用注意力机制进行加权。

CNN感受野                                                                  GNN感受野

将上述直观的概念转化为GCN具体卷积形式就是下面这个公式：

图神经网络也有类似于CNN里面的感受野（如上图）的概念，随着网络层数的增加，高层网络中的结点会从更高阶的邻居聚合到信息。

比如下面这个例子，对于1结点来说，虽然结点7是结点1的二阶邻居，但是第一次卷积将结点7的信息传递到结点4，第二次卷积就可以借助结点4将结点7的信息传递到结点1。

一些经典的CNN模型都可以堆叠多层，例如加入残差连接的ResNet目前都可以达到上百层网络，但是GNN通常只使用两到三层。

主要原因就是会产生过平滑的问题，以上面的图为例，可以将两层卷积网络的信息传递分解为下面这种树的形式。对于结点1的邻居2，两个结点之间的不断受到对方的影响，随着网络层数的增加，这种影响也会越来越大，当网络层数趋近于无穷时，整个网络的结点都会有相同的特征。

GNN信息传递路径

Shuman等人在Cora数据集上对多层网络卷积的结果进行分析，将原始结点特征进行不同层数的卷积后进行降维到2维进行可视化。可以看出，卷积层数2-3层效果最好，不同种类的结点可以明确区分出来，当层数增加到5层时所有结点就很难区分。

GNN多层聚合结果可视化

最近几年，也有相关研究人员将注意力机制、RNN、Transformer等引入图神经网络。以引入注意力机制的图注意力网络（GAT）为例，与传统网络应用注意力机制的形式类似，如下左图计算结点i、j之间的注意力分数α，根据注意力分数α对邻居结点进行聚合（如下右图）。对于下图其他结点到结点h1的三种边是Multi-head的形式，通过每一个head生成的新向量进行concat或者平均等的方式产生最终结点的向量表示。

图注意力网络（GAT）结构

最早的 Graph Attention Networks 中实现的GAT网络的计算公式如下：

对于注意力分数的计算形式也是经常用到的，不仅在GAT类似的网络中应用，同样在图级任务的Readout函数也是采用这种Soft-attention的形式得到图级表示。

图神经网络是一新兴的网络，表示能力强大，但是目前还有很多没有探索的领域，值得相关学者深入研究。

关注下方《学姐带你玩AI》🚀🚀🚀

AI干货、论文资料、数据集……持续更新中

码字不易，欢迎大家点赞评论收藏！