文献阅读18期：Learning Convolutional Neural Networks for Graphs

[ 文献阅读·图神经网络 ] Learning Convolutional Neural Networks for Graphs [1]

推荐理由：本文考虑两个问题，一是训练一个可以用于未知图的函数，让未知图可以有效进行分类和回归问题求解。二是用于对未知图的特性进行预测（如点或边的缺失）。

1.摘要&简介

• 本文的目的在于建立一种用于表达有向图或无向图的框架。
• 如果要理解图神经网络的卷积，那就得先理解传统的卷积神经网络CNN。如图1所示，从图卷积的角度去看，CNN就像是一个遍历所有节点，然后固定每个点近邻数量的图神经网络（每个像素节点固定有8个近邻，这效率高么？似乎不高。）：
  
• 在NLP当中同样有类似的问题，比如Skip-Gram和Cbow的窗口一旦固定，预测的信息来源也只有前后两个近邻：
  
• 但有没有考虑过这样一个问题，在图像识别的过程中，人眼、鼻、口的位置关系基本是差不多的，但在像素点上，他们距离太远，在像素序列上距离更远，举个例子，眼睛的一个像素点，周围的像素可能只有眼睛和皮肤，除非一个人五官挤在一起，那几乎不可能在眼睛像素点的近邻中出现鼻子的像素点。
• 这种隐形关系的缺失，导致了图信息的缺失。
• 在NLP问题中，这样的Graph信息缺失同样也很严重，比如：“我今天忘记带猫咪去打疫苗了。”在这句话中“我”和“猫咪”是主人和宠物的关系，但如果窗口大小为前后各2，那“我”字能“看见”的前后信息，只有“今天”和“忘记”，则主人和宠物这种人类看似很直觉的联系，就被排除在语义之外。（这个例子其实很粗，博主自己想的，大家近似理解一下就好）
• 所以，图卷积这种“近邻数量自由”、“关系表达丰富”、“节点通信自由”的数据结构就能够从一定程度上解决隐形信息缺失的问题。
• 本文提出的方法名叫PATCHY-SAN，力求解决以下两个问题：
  1. 确定一种或多种节点序列，并用它们创建邻域图；
  2. 计算邻域图的归一化，即，从图表示到向量空间表示的唯一映射。
• 图2展示了PATCHY-SAN的结构：
  

2.PATCHY-SAN的相关概念

• 标记：本文定义了一个函数$\ell$用于节点的rank排序，也就是说将所有的节点映射为一个序列$V\to S$，当$\ell (u)>\ell (v)$时rank有$\mathbf{r}(u)<\mathbf{r}$