文章地址：https://distill.pub/2021/gnn-intro/
一、引言
- 图结构广泛存在于各个领域，近年来图神经网络（GNN）在多个领域取得了显著进展。
- 介绍了图的基本组成部分：顶点（V）、边（E）、以及节点特征（U）。
- 图的应用领域广泛，包括图像处理、文本分析、分子结构建模、社交网络和引用网络等。
- 图的存储和处理面临挑战，如矩阵规模庞大以及一个图对应多个邻接矩阵，解决方法是使用邻接表。
二丶正式介绍
- 首先讨论了最简单的GNN模型，使用多层感知器（MLP）对顶点、边和节点特征进行迭代处理，最终通过分类器输出结果。
- 当只有边信息没有点信息时，可以通过池化操作将周围点的信息汇聚到边上，反之亦然。
- 简单的GNN模型未利用图的连通性信息。
- 通过消息传递机制来利用图的连通性信息，介绍了图卷积网络，它首先聚合邻居节点的信息，然后更新节点状态。
- 更复杂的GNN模型可能涉及图中节点、边和全局信息的处理，可以采用不同的汇聚策略，如边汇聚节点信息，节点汇聚边信息，或交替进行，最终更新节点信息。
- 针对大规模图，节点传递可能耗时较长，可以引入一个虚拟的全局节点，与所有节点和边相连，并在汇聚时考虑该全局节点的信息。
三、实现了一个GNN模型
- 介绍了一个可以调节参数的GNN模型，参数包括层数、汇聚方法（如sum, max,
mean）、边的embedding大小、节点的embedding大小以及全局embedding大小。 - 通过图示分析了不同参数对模型性能的影响，并论证了信息传递的重要性。
四、扩展知识（李沐说这里讲的不清楚）
- 讨论了多重图、超图等结构在某些场景中的应用。
- 针对大图的计算挑战，可以通过子图采样方法来解决，如随机采样节点及其邻居、随机游走、基于随机游走的邻居采样、以及从某个节点开始的k步广度优先搜索（BFS）。
- 深度学习模型通常基于数据特性进行假设，例如图像模型假设平移不变性，文本模型假设自注意力机制处理序列依赖关系，而图神经网络（GNN）假设图结构中的对称性和节点间的关系。
- max,sum,mean汇聚方法都存在的不足之处，没有哪个是好的。
- GCN通过多层“卷积”来学习节点及其邻居的信息，每层卷积扩展视野，k层卷积后节点表示包含了k层距离内的所有节点信息。
- 可以进行点和边的对偶操作，将节点和边互换构建新的图。
- 讨论了如何通过矩阵乘法实现图卷积操作。
- 引入图注意力网络（GAT），在聚合过程中使用加权策略而不是简单求和。
- 关注图的可解释性问题。
- 除了预测任务，图生成任务如新药设计也是GNN的应用场景之一。
