书名:《Graph Neural Networks Foundations,Frontiers and Applications》(图神经网络的基础、前沿和应用)
出版社:Springer Berlin Heidelberg
作者:Lingfei Wu · Peng Cui · Jian Pei · Liang Zhao
红色部分为个人的一些解读,不足之处请多多指点!
符号
本章提供了一个简明的参考,描述了本书中使用的符号。
1.数字、数组和矩阵
标量
向量
矩阵
单位矩阵
实数集
复数集
整数集
长度为的向量
行列的矩阵
包括和的实数区间
包括但不包括的实数区间
向量中第个元素的索引
矩阵中第行列元素的索引
2.图相关基础
图
边集
顶点集
图的邻接矩阵
拉普拉斯矩阵
对角线度矩阵
图和同构 (一个图的邻接矩阵经过有限次的互换行或列的变换变成另一个图的邻接矩阵,则两个图同构。)
图是图的子图
图是图的真子图
图和图的并集
图和图的交集
图和图的不相交并集 (该操作其实就是两个图取并集,但是两个图完全不相交)
图和图的笛卡尔积
图和图的联接 (针对两个完全不相交的图,先做,之后将中每个顶点与中每个顶点连接,得到的新图即为)
3.基本操作
矩阵的转置
矩阵和的点积
矩阵和元素层面上的乘积(哈达玛积) (两个矩阵必须大小一样,运算是矩阵和矩阵里面相同位置的元素相乘 )
的范式(也叫范式)
并集
交集
子集
真子集
向量和的内积
4.函数
定义域为,值域为的函数
对的导数
对的偏导数
对的梯度
对矩阵的矩阵导数
函数在输入向量上的海森矩阵 (是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。)
在整个定义域上的定积分
在集合上的定积分
参数为的一个函数
函数和之间的卷积
5.概率论
在中的概率分布
在中,给定的情况下,的条件概率分布
随机变量和是独立的
在给定的条件下,变量和是条件独立的
具有概率分布的随机变量
在概率分布下,相对于变量的期望
均值为,方差为的高斯分布