图深度学习(deep learning on graphs)第五章阅读笔记

Graph Neural Networks

一、introduction
GNN将深度神经网络应用到图结构上去。GNN可以大致被用于解决node-focused 和graph-focused tasks。对于node-focused task，GNN更注重于学习每个节点的良好的特征，对于graph-focused task，GNN更注重于全图的表示学习。GNN学习节点特征的过程可能会影响到节点特征以及图的结构。将input为节点特征和图结构，output为新的节点的特征的过程简要概括为图卷积操作(graph filtering operation)：
其中$A$代表了原图的邻接矩阵。

对于node-focused任务，图卷积操作就已经足够了，多层图卷积层被应用来产生最终的节点特征。
graph pooling操作用于将节点特征生成graph-level features。

对于graph-focused任务，GNN需要filtering以及pooling操作；对于node-focused任务，GNN只需要filtering操作即可。

二、通用GNN框架

1、node-focused task 的通用框架
这种框架可以被视为是graph filtering layer和非线性激活函数的组合。

2、graph-focused task 的通用框架
graph-focused任务包括三种层：图卷积层、激活层、以及图池化层。一个coarsened图（with更抽象和更高等级的特征）被生成。过程可以描述如下：

三、graph filters







四、graph pooling（这页的下半部分开始）