【阅读笔记】图神经网络及其在通信网络领域应用综述

原文链接：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=BJGD202108016&uniplatform=NZKPT&v=nK38Gfr0vjNnhuVj5J8cO6liO%25mmd2BflKDa90tZ66twTkvbLubQc0yLtfie70omi1qlR

GNN
核心：局部转移函数和局部输出函数．
局部转移函数：生成节点的状态向量，该向量包含节点的邻域信息．
转移函数：在所有节点间共享，并根据输入的邻域更新节点的状态向量 h

GCN
根据特征提取方式的不同：基于谱域的GCN，基于空间域的GCN

基于谱域的GCN
源自于图信号处理
引入滤波器对图卷积进行定义
可将其理解为通过滤波器去除噪声从而得到输入信号的分类结果
无法处理有向图且扩展性较差
滤波器函数依赖于拉普拉斯矩阵，而拉普拉斯矩阵来源于图结构，这使得在特定图上训练的模型无法直接应用于其他图结构

基于空间域的GCN
根据节点的空间关系定义图卷积．
通过对节点邻域特征信息的直接累加实现图卷积．
将空间域卷积分解为信息传递和状态更新2 个过程
将节点的特征作为隐藏状态的初始态

GAT(Graph Attention Network)
使模型能够专注于和当前任务最相关的信息
学习图中每个节点的邻域特征的平均值，
根据邻域的重要性进行稀释加权．

GA层
输入:图中节点的特征
输出:另一组可能具有不同基数的更高层次的节点特征．
通过注意力机制得到的注意力系数实现输入与输出的转换

GAT 方法
复杂度较低
只关注相邻节点，无须整张图的信息，
其应用于新的图结构时不需重复训练模型．
针对复杂的图结构：异构GAT和动态GAT