图神经网络三剑客：GCN、GAT与GraphSAGE

©PaperWeekly 原创 · 作者｜桑运鑫

学校｜上海交通大学

研究方向｜图神经网络在金融领域的应用

2019 年号称图神经网络元年，在各个领域关于图神经网络的研究爆发式增长。本文主要介绍一下三种常见图神经网络：GCN、GAT 以及 GraphSAGE。前两者是目前应用比较广泛的图神经网络，后者则为图神经网络的工程应用提供了基础。

GCN

图神经网络基于巴拿赫不动点定理提出，但图神经网络领域的大发展是在 2013 年 Bruna 提出图上的基于频域和基于空域的卷积神经网络后。

关于图卷积神经网络的理解与介绍，知乎上的回答已经讲的非常透彻了。

如何理解 Graph Convolutional Network (GCN)？

https://www.zhihu.com/question/54504471/answer/332657604

这里主要介绍一下 PyG 和 DGL 两个主要的图神经网络库实现所基于的文章 Semi-supervised Classification with Graph Convolutional Networks。它基于对图上频域卷积的一阶近似提出了一种高效的逐层传播规则。 

论文标题：Semi-supervised Classification with Graph Convolutional Networks

论文链接：https://arxiv.org/abs/1609.02907

在将定义在欧式空间上的拉普拉斯算子和傅里叶变换对应到图上之后，图上的频域卷积操作可以基于卷积定理自然导出：

其中图上的拉普拉斯矩阵（归一化后）L 是一个半正定对称矩阵，它具有一些良好的性质，可以进行谱分解：，其中 U 是 L 的特征向向量组成的矩阵，Λ 是 L 的特征值组成的对角矩阵， 则是定义在图上的对信号  的傅里叶变换。

而对角矩阵  则是卷积核，也是不同的卷积操作关注的焦点，对  不同的设计会影响卷积操作的效率，其编码的信息也会影响最终任务的精度。

一开始的图卷积神经网络将  视作 L 的特征值的一个函数 。但这种定义存在两个问题： 

1. 对特征向量矩阵 U 的乘法操作时间复杂度是 ；  

2. 对大规模图的拉普拉斯矩阵 L 的特征分解是困难的。

之后的研究发现可以使用切比雪夫多项式来对