Graph neural networks: A review of methods and applications文献阅读

Graph neural networks: A review of methods and applications

一、induction

• 将深度模型从欧式域扩展到非欧式域，称为几何深度学习
• 图表示学习研究的发展，用低维向量学习表示节点、边、子图；

　　　　　　Deepwalk采用SkimGram模型；node2vec、LINE等方法；但也有缺点：编码器节点之间没有共享参数；直接嵌入方法缺乏泛化能力，不能处理动态图。

• 2017,2019是两篇GNN综述；GNN可以分为递归图神经网络，卷积图神经网络，图自动编码器，时空图神经网络。
• 目前的一些研究的进展，图对抗网络，图注意力网络，等方法，本文是对这些方法的总结和应用的总结

二、GNNs的设计

1. 找到图结构     结构化还是非结构化
2. 指定图的类型和规模    有向图/无向图；同构/异构；静态/动态图；或他们的组合。重点是关注这些图的特点提供的附加信息，在设计过程中也要结合这些附加信息。
3. 设计损失函数
4. 利用模块建立模型

三、计算模块实例化

1. 传播模块--卷积算子

　　　　将其他域的卷积推广到图域，主要分为光谱方法和空间方法。

              谱方法中，学习到的滤波器都依赖于图结构。这些滤波器不能应用于不同结构的图。

              空间方法基于图的拓扑结构直接在图上定义卷积。空间方法的主要挑战是用不同大小的邻域定义卷积运算，并保持cnn的局部不变性。

　　　　　　GraphSAGE不使用完整的邻居集，而是统一采样固定大小的邻居集来聚合信息。