DW_图深度学习_Task_2

最新推荐文章于 2024-06-16 20:22:36 发布

DataVVhale

最新推荐文章于 2024-06-16 20:22:36 发布

阅读量150

点赞数

分类专栏：图深度学习文章标签：图论深度学习

本文链接：https://blog.csdn.net/baidu_36184635/article/details/118060080

版权

DW_图深度学习_Task_2
学习内容：消息传递范式
学习地址： github/datawhalechina/team-learning-nlp/GNN/

本节的内容主要是了解和学习图神经网络生成节点表征的消息传递范式，学习内容以MessagePassing的实践为主。在这里，我们的内容更多的是倾向于消息传递范式本身的原理介绍。

定义

GNN是一个邻居聚合策略，一个节点的表示向量，由它的邻居节点通过循环的聚合和转移表示向量计算得来。即消息传递图神经网络遵循“聚合邻接节点信息来更新中心节点信息的过程”，来生成节点表征。

MPNN共包含两个阶段：消息传递阶段和读出阶段。

消息传递阶段：共运行T个时间步，并包含以下两个子函数：

 Aggregation Function：也称消息函数，作用是聚合邻居节点的特征，形成一个消息向量，准备传递给中心节点
 Combination Function：也称节点更新函数，作用是更新当前时刻的节点表示，组合当前时刻节点的表示以及从Aggregation Function中获得的消息

消息传送阶段实际上运行T步的空间图卷积. 图卷积操作通过消息函数

关注