实验方面：
    MIMIC4数据集已经清洗完毕并进行了初次运行，模型能明显超过baseline，目前为了求标准差正在多次训练。找ddi和同分异构体的case study没有成功。
    在修改并尝试运行graphcl代码，跑得很慢。

    论文方面：
    粗略阅读《CLUSTER-BASED FEATURE IMPORTANCE LEARNING FOR ELECTRONIC HEALTH RECORD TIME-SERIES》，医疗方面做病人聚类的，都是很常规的操作，复杂点的就是数据处理，感觉意义不大。
    阅读论文《EQUIVARIANT SUBGRAPH AGGREGATION NETWORKS》，ICLR 2022 spotlight。
    基本思想就是为了突破GNN的1-WL test上限，将图划分成子图进行处理。思想挺别致，模型不难，重点在理论分析部分。先大致介绍一下模型框架：
    image.png
    模型名叫DSS-GNN，输入是很多subgraph，是原图去掉一条边，一个点或ego版本，经过equivariant layer，再经过Readout就得到一个graph的表示。右边是layer 的设计。
    image.png
    i代表当前的subgraph，m是子图的个数，L1和L2就是encoder。图很清晰。
    论文还对WL test进行了个等价的改造，叫DSS-WL test。在利用邻居进行更新时，子图中的节点v的颜色用这个式子来更新：image.pngimage.png，N代表v的邻居的颜色，C代表所有子图中v节点的颜色，M是根据原图的连通找到的所有子图中v的邻居的颜色。