论文报告笔记（三） DEMO-Net:Degree-specific Graph Neural Networks for Node and Graph Classification

论文笔记（二） DEMO-Net:Degree-specific Graph Neural Networks for Node and Graph Classification

这篇论文不是cv相关，由于要做报告，顺便发篇博客吧

这是2019年8月份在KDD上的一篇关于图神经网络的文章，（找了半天连中文笔记都找不到，只好自己写一篇了）我也是第一次接触图神经网络，有错误请务必评论指正，不胜感激。

FCOs论文链接：https://arxiv.org/abs/1906.02319?context=cs
开源代码：https://github.com/jwu4sml/DEMO-Net
报告ppt：https://pan.baidu.com/s/1XpLGRRc2lwJ0mMs5JX2V8Q提取码：xh6c

Introduction

background

1. 各种高影响力的领域都产生了大量的图数据：比如生物信息学，全基因组关联研究，社交网络分析等等，而一整张图是难以进行分析的，所以需要从节点和边的属性以及图的拓扑结构中学习到高效的节点和图的表示，然后用这种表示来进行分类、聚合等数据分析
2. 深度学习在网格结构数据（图像，视频，语言等等）上的成功：所以研究者们觉得 图的拓扑结构和节点属性可以通过像卷积神经网络那样 对局部相邻节点的连续特征向量的压缩 来整合成一个端到端的训练架构

由此诞生了图卷积网络，在于模仿卷进神经网络在图像数据上的成功。其把节点的局部相邻节点聚集并转换为了特征向量。通过使用Laplacian平滑[9，12]或高级注意机制[18]将节点属性与图结构信息集成，图神经网络学习在低维特征空间中的节点表示，其中图中的邻近节点将共享相似的表示。并且，为了学习整个图的表示，研究者提出了图级池化机制来压缩节点表示为全局特征向量。由图神经网络学习到的节点和图的表示在许多下游图挖掘任务中取得了state-of-the-art的成就，比如节点分类，图分类等