《The graph neural network model》笔记

Introduction

该论文应该是最早的讲GNN的论文。该论文的主要工作是实现一个转导(transduction)函数，把图$G$或者结点$n$映射到一个m维的嵌入向量：$\tau (G,n)\in {\mathbb{R}}^m$。

图领域应用可以分成两类：graph focused 和 node focused。

• graph focused: 函数把图映射成嵌入向量，然后对图进行分类或回归。
• node focused: 函数把图上结点映射成嵌入向量，对图上的结点进行分类或回归。

该论文的GNN可以处理循环、有向和无向图。

图可以是positional或者non-positional。他们的区别是，对于每个结点n，positional graphs 存在一个单射函数，为结点n的每个邻居分配一个不同的位置。

常用符号列表：

• $G=(N,E)$: 图
• $N$: 图的所有结点集合
• $E$: 图的边的集合
• $ne[n]$: 结点n的所有邻居
• $co[n]$: 连接结点n的边
• ${\mathbf{l}}_n\in {\mathbb{R}}^{l_N}$: 结点n上的特征向量/信息，论文里称做结点的标签，是图数据给定的
• ${\mathbf{l}}_{(n_1,n_2)}\in {\mathbb{R}}^{l_E}$: 连接结点和的i边的特征向量/信息，论文称做边的标签，是图数据给定的
• L = { ( G i , n i , j , t i , j ) ∣ G i = ( N i , E i ) ; n i , j ∈ N i ; t i , j ∈ R m , 1 ≤ i ≤ p , 1 ≤ j ≤ q i } \mathcal{L} = \{(G_i, n_{i,j}, \mathbf{t}_{i,j})| G_i = (N_i, E_i); n_{i,j} \in N_i; \mathbf{t}_{i,j}\in\mathbb{R}^m, 1 \le i \le p, 1 \le j \le q_i\} L={ (Gi​,ni,j​,ti,j​)∣Gi