Deep Learning on Graphs: A Survey 详细学习笔记(1)------简介与GRNNs

本文链接：https://blog.csdn.net/chunmujiang0601/article/details/120611180

本文是《Deep Learning on Graphs: A Survey》学习笔记的第一部分，主要探讨图深度学习面临的挑战，如图的不规则结构、异构性等，并深入解析图循环神经网络（GRNNs），包括RNN(GNN)和GG-NN，阐述其在图信息编码和处理中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Deep Learning on Graphs: A Survey，一篇关于图深度学习的综述，总结了多种图神经网络，及前者在这个领域的一些杰出的工作和结论。

图深度学习的面临的主要问题

作者在开头提出了现在图深度学习面临的四个挑战：

Irregular structures of graphs. 图的不规则结构，总的来说就是之前使用于机器学习的一些操作如CNN，池化等操作无法照搬到图上来用。
Heterogeneity and diversity of graphs. 图的异构和多样性。这个部分主要是关于图分类的问题，当一个图通过神经网络处理后，如何通过这个处理结果来判断图的结构等信息。Large-
Large-scale graphs. 大图。顾名思义，当图有大量节点和边时，算法复杂度的问题就至关重要。
Incorporating interdisciplinary knowledge. 跨学科的应用。作者给出了一个具体的例子，当生成分子图时，目标函数和化学约束通常时不可微的，这会导致梯度下降的方法难以实现。总的来说就是跨学科时，图中的节点和边被赋予了不同的性质，不能简单地用原来处理图的方法来处理。

图神经网络的分类

作者把图神经网络分为五类：RNNs，GCNs, GAEs, Graph RL, Graph Adversarial。分别是图循环神经网络，图卷积神经网络，图自动编码器，图强化学习，图对抗训练。下面就逐一来介绍这五种图神经网络，关于用到的符号，笔者将在下文对应解释，就不在这里统一标记出来。

GRNNs

图循环神经网络这一部分，作者把GRNN分为节点级(Node level)和图级(Graph level)，对应的介绍了三种图神经网络。

$GRNNs \left\{ \begin{aligned} Node level&:&RNNs(GNNs), GG-NN\\ Graph level&:&DRNN \\ \end{aligned} \right.$

RNN(GNN)

作者提到，RNN其实就是最早的GNN。RNN的主要思想其实就是对图的节点进行“编码”，这里的编码不是指GAE那种，而是理解为我把一个节点包含的信息（自身的信息，邻居的信息，相关的边信息）整合后赋给节点。最后每个节点都有一个对应的信息向量。然后把这个节点的信息向量通过一个输出函数（或网络）得出最后的结果。

$s_i = \sum_{j\in N(i)}^{}F(s_i,s_j,F_i^V,F_j^V,F_i,j^E)$

$y = O(s_i,F_i^V)$

上述公示的第一个就是对节点进行“信息编码”，第二公式则是最后的输出公式，第一个公式是这个方法的核心部分，其中s就是节点的低维向量表示， $F^V$ 是节点本身的向量表示， $F^E$ 则表示边的向量表示。累加符号中N(i)是节点i的邻居的集合，简而言之就是把节点i自己和他的邻居信息进行了简单的整合，赋给si，然后用si来表示节点i的信息。例如下图的例子。每个顶点都有自己的低维信息向量表示 $s_i$ 。如图中s1的计算就应该为：