《The Graph Neural Network Model 》

$Abstract$

• 这篇论文是第一个提出Graph Neural Network模型的论文，它将神经网络使用在图结构数据上，并细述了神经网络模型了结构组成、计算方法、优化算法、流程实现等等。
• GNN模型通过一个函数$\tau (G,n)\in {\mathbb{R}}^m$ 将图$G$和其中的一个顶点$n$映射到一个$m$维欧式空间，可以直接处理众多实用类型的图，例如无环图，循环图，有向图和无向图
• 论文后面还对模型的复杂度进行了评估，以及在现实任务上进行了实验和比较(比较算法为$NL、L、FNN$)。该报告暂时主要关注模型设计部分和实验结果部分，忽略复杂性评估部分。

$Introduction$

• 图领域的应用主要可以分为两种类型：专注于图的应用(graph-focused)和专注于节点的应用(node-focused)。对于graph-focused的应用，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。对于node-focused的应用，​$\tau$ 函数依赖于具体的节点 $n$​，即 $\tau (G,n)$ ​
  
• 传统的机器学习应用，在于处理阶段将图结构信息映射为简单的表示，比如实向量，即将图结构数据进行压缩，然后使用$list-based$技术处理被压缩的数据。因此，一些重要的信息可能会丢失，例如节点间的拓扑信息依赖。
• 本文提出监督类型的神经网络模型，图神经网络$(GNN)$，适用于面向图和顶点的应用方向。
• $GNN$是递归神经网络$recursiveneuralnetworks$和随机游走模型$randomwalkmodels$的扩展，并且保留了它们的特征。
• $GNNs$ 基于信息扩散机制 $informationdiffusionmechanism$。对于给定的图通过一组$unit$进行处理，每个$unit$和图的一个顶点对应。这些$unit$相互间进行信息交互并更新各自的状态直到一个稳定状态。根据每个$unit$的状态，$GNN$完成最后的输出。同时，引进了相应的学习算法，用来对$GNN$中的参数进行估计

$TheGraphNeuralNetworkModel$

符号

$GNN$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。有如下定义：

• $G=(N,E)$，其中$N$ 表示顶点集，$E$ 边集合
• $ne[n]$ 表示顶点$n$的邻接顶点
• $co[n]$ 关联顶点 $n$ 的边
• $l_n\in {\mathbb{R}}^{l_N}$表示节点 $n$​的特征向量
• $l_{(}{n}_1,n_2)\in {\mathbb{R}}^{l_E}$表示边 $(n_1,n_2)$的特征向量
• $l$表示将图中所有的属性堆积构成的张量

论文将图分为$positionalgraph$和$nonpositionalgraph$，对于$positionalgraph$，对于每一个节点 $n$ ​，都会给该节点的邻居节点​ u u