在这篇中，将介绍图神经网络的架构。关键思想是，在GNNs中，根据局部网络邻域生成节点嵌入。gnn通常由任意数量的层组成，而不是单层，以集成来自更大上下文的信息。介绍了如何使用gnn来解决优化问题，以及它强大的归纳能力。
文章目录
- 1. 主要内容
- 2. 初试设置
- 3. 简单想法
- 3.1 直接将邻接矩阵输入
- 3.2 CNN想法
- 3.3 现实世界中的图结构
- 3.4 从图像到图的思想
- 4. 图卷积网络
- 4.1 聚合邻域
- 4.2 Deep Encoder
- 4.3 训练模型
- 4.3.1 矩阵形式
- 4.3.2 如何训练？
- 4.3.3 无监督学习
- 4.3.4 监督学习
- 4.4 流程
- 5. 归纳能力
- 6. 总结
1. 主要内容
2. 初试设置
3. 简单想法
3.1 直接将邻接矩阵输入
3.2 CNN想法
3.3 现实世界中的图结构
3.4 从图像到图的思想
4. 图卷积网络
我们可以简单认为图卷积网络分为两个步骤：
- 确定节点计算图。
- 在计算图中传播和转换信息。
4.1 聚合邻域
与经典神经网络不同的是，图神经网络中，每个节点都可以定义自己的神经网络架构。
但这样，我们就需要同时训练多个架构。
- 多层时：
核心问题是，如何聚合邻域？
基础方法：
4.2 Deep Encoder
4.3 训练模型
要想训练我们的模型生成embeddings，我们需要定义损失函数。
确定参数：
4.3.1 矩阵形式
4.3.2 如何训练？
4.3.3 无监督学习
4.3.4 监督学习
4.4 流程
5. 归纳能力
6. 总结
