图-graph

组成：节点（Vertex），边（Edge）
有向图/无向图

常见的图

（1）图像
image.png
（2）文本
image.png
（3）分子
image.png
（4）社交网络
image.png

图的主要特性

基于图模型可以执行三种预测任务：graph-level, node-level, and edge-level
图级别的任务

预测整个图级别的属性

image.png
节点级别任务

预测每一个节点的身份或角色

image.png
边级别任务

关系预测

image.png
image.png

GNN

定义：可优化的图变换，包括图的节点，边和全局属性，同时保持图的几何结构不变

最简单的GNN
image.png
二分类问题

对每一个节点采用线性分类器

image.png
有些信息只保存在图的边上，节点上无信息，这个时候如果要对节点执行预测，需要有一种方式来收集边上的信息，叫做池化（Pooling），池化分为两步：

  1. For each item to be pooled, gather each of their embeddings and concatenate them into a matrix.
  2. The gathered embeddings are then aggregated, usually via a sum operation.

消息传递（message passing）

邻接节点，边相互交换信息，可以理解为信息聚合和计算

  1. For each node in the graph, gather all the neighboring node embeddings (or messages), which is the gg function described above.
  2. Aggregate all messages via an aggregate function (like sum).
  3. All pooled messages are passed through an update function, usually a learned neural network.

image.png
图卷积
图注意力网络

参考文献：
A Gentle Introduction to Graph Neural Networks