视频链接

[TA 補充課 Graph Neural Network (1/2) (由助教姜成翰同學講授) - YouTube]

[TA 補充課 Graph Neural Network (2/2) (由助教姜成翰同學講授) - YouTube]

[speech.ee.ntu.edu.tw/~tlkagk/courses/ML2020/GNN.pdf]

Introduction

应用：分类、Generation（生成）等

目前研究领域的架构图如下：

 基于空间卷积、基于频率卷积（傅里叶变换）

Dataset & task & Benchmark

Graph Classification：图像转成结点然后分类。MNIST手写识别、CIFAR10物品类别识别

 Regression：ZINC预测化学物质的性质

Node classification：拓扑块位置定位，图聚类

 Edge classification：旅行商问题，遍历每个节点不重复

TA的课里面有详细对比不同Task的不同方法表现，总的来说层数不是越深越好（4/8层就够了），GCN表现很烂，有不同注意力参数的那类模型普遍会好。

Special Based  GNN

总结方法和术语：

 通过卷积结点本身与它邻居的feature聚合得到下一层、读出所有的feature得到整个graph

NN4G（Neural Networks for Graph）

首先把原始feature通过处理得到纯Embeddings（参数w1）为layer0，然后sum它的邻居节点再做trans（参数w1,0）再加上layer0本身，得到h1为layer1

 针对得到的每一层，把所有的feature相加然后去平均，再做一次transform，然后相加，得到一个feature代表整个图

 为什么是相加？因为不同结点的邻居数目不同，用相加比较好批量化处理。

DCNN（Diffusion-Convolution Neural Network）

d(3,·)=1代表距离结点3为1的所有节点，所以layer0找1跳邻居平均值再transform，layer1找2跳邻居（的原始x feature 这样注意力没有掺杂别的信息），这样多层就能把多跳邻居的信息都看到。

 每一行都是一个节点的feature，把他们transform一下就得到最终这个node的feature

MoNET（Mixture Model Networks）

 

GraphSAGE

用LSTM来处理邻居的feature，这里邻居的顺序是随机的用来平衡LSTM的先后顺序影响

 

GAT(Graph Attention Neworks)

让机器自己去学每个node邻居的weight，这里的e就是energy，也就是对于节点i，节点j有多重要。

 

GIN（Graph Isomorphism Network）

 先说结论，最好是把邻居节点加起来而不是用mean或者max，epsilon取0就好。

 因为可以看到，在不同的单节点结构下，如果用sum是能区分的，但是用mean和max是不能区分的。

 

频率基础卷积

 一个向量是由基向量线性组合得到的，这里vk是基向量，ak是线性组合。这里假设是orthnormal basis正交基。这里可以看到线性组合可以由点乘计算出来（用二维向量试一下就知道了，其他方向是直接乘上0）

有一个常用的正交基是傅里叶变化，即sin和cos。

ChebNet