2.GNN(Graphic Nuaral Network)

将一个数据（一个图）输入到网络（GNN）中，会得到一个输出数据（同样是图），输出的图和输入的图相比，顶点、边、以及全局信息会发生一些改变。GNN采用“图入图出”架构，也就是说模型将图作为输入，改变图的信息后进行输出。

简单来说：GNN模型就是 一张图输入，经过GNN层（实质上就是三个分别对应点、边和全局的MLP），输出一个属性已经变换的图，在经过全连接层，得到输出。

顶点、边和全局信息都是独立处理的，只在最后Pooling时使用了连通性信息。

加入信息传递：在每一层GNN层中加入Pooling，让相邻顶点、边、以及全局信息之间进行信息传递，而不是等到最后进行预测的时候才进行Pooling。

GNN输入信息包括（1）顶点信息（2）边信息（3）全局信息（4）顶点之间的连接信息。

以一张5*5*3的照片为例

（1）顶点信息 是一个25*3的矩阵

 （2）边信息是72*边的向量维度

（3）全局信息 比如是否含有环

（4）顶点之间的连接信息 邻接矩阵就是

GNN的最终目的是 对图进行预测（也就是全局信息）、对顶点信息进行预测和对边信息进行预测。

总结，比GCN简单，只有MLP使用，没有卷积结构，同样是用在2D图像上。

参考以下作者文章：

https://blog.csdn.net/qq_44452377/article/details/127042725?spm=1001.2014.3001.5506