GNN学习

《The Graph Neural Network Model 》

GNN模型

1. GNN用来解决什么问题
对于图领域问题，假设存在函数$\tau$，输入图结构$G$和其中的一个节点$n$，输出是一个实值向量：
$$\tau (G,n)\in R^m$$
图相关的问题主要可以分为两种类型：

• 专注于图的应用(graph-focused)：函数$\tau$和具体的节点无关，即$\tau (G)$，训练时，在一个图的数据集中进行分类或回归，例如下图中，一个分子结构可以表示成$G$，我们关注的问题是该分子结构对人体是否有害，因此不需要关心它具体的节点，因此采用$\tau (G)$；
  

• 专注于节点的应用(node-focused)： $\tau$函数依赖于具体的节点$n$​，即$\tau (G,n)$ ​，如下例子：我们的任务是判断某个点是否在城堡上，因此我们需要关注它的具体节点，即$\tau (G,n)$：
  

2. 图结构的定义
GNN模型基于信息传播机制，每一个节点通过相互交换信息来更新自己的节点状态，直到达到某一个稳定值，GNN的输出就是在每个节点处，根据当前节点状态分别计算输出。

• 一个图G表示为$G=(N,E)$，其中$N$是节点集合，$E$是边的集合，例如上图中：$N=[n1,n2,n3,n4],E=[e(1,2),e(2,3),e(1,4),e(4,3)]$；
• $ne[n]$表示节点n的邻居节点的集合，$ne[n1]=[n2,n4]$；
• $co[n]$表示以节点n为顶点的所有边的集合，$co[n1]=[e(1,2),e(1,4)]$；
• $l_n$表示节点n的特征向量，维度是$l_N$；
• $l_{(n1,n2)}$表示边e(1, 2)的特征向量，维度是$l_E$；
• $x_n$表示节点n的状态向量。

3. 模型提出
在node-focused应用中，有以下定义：

• L L