Graph Neural Networks:A Review of Methods and Applications论文研读
2.1 图神经网络源起
2.2 图神经网络基本参数定义：
2.3 f、g参数的学习
2.4 GNN的局限性
首先，对于不动点，迭代更新节点的隐藏状态是低效的。如果放松不动点的假设，我们可以设计一个多层GNN来获得节点及其邻域的稳定表示。
其次，GNN在迭代过程中使用相同的参数，而大多数流行的神经网络在不同的层次上使用不同的参数，这是一种分层的特征提取方法。此外，节点隐藏状态的更新是一个连续的过程，可以借鉴GRU和LSTM等RNN内核。
第三，在原始GNN中，边缘也存在一些无法有效建模的信息特征。例如，知识图中的边具有关系类型，通过不同边的消息传播应根据其类型而不同。另外，如何学习边缘的隐藏状态也是一个重要的问题。最后，如果我们把注意力集中在节点的表示而不是图的表示上，则不适合使用不动点，因为表示在不动点上的分布在值上比较平滑，对于区分每个节点的信息量较少。
2.5 图神经网络的变体
2.6 图神经网络在自然语言处理领域的应用
