GNN图神经网络的简单学习了解

Abstract

本人能力有限，本篇文章只介绍图神经网络的结构，不涉及具体的训练过程和原理

参考https://blog.csdn.net/u012678060/article/details/81056008

（侵权则删）

1.简介

针对图而言，信息有两大类，一类为节点，一类为边，为了结构分析简洁，我们这里只考虑无向图。图的节点包含了一个节点的状态，我们用x（i）表示节点i的特征信息，用l（i）表示每个节点的状态，用l（i，j）表示节点i和节点j连接的边的状态（如果有边）。节点的特征x，我们可以假设一个函数f，通过模型不断这个函数，可以通过节点和节点之间的状态，提取整张图中所有点的状态信息。分析图如下：

我们的工作就是去学习得到每个节点的状态，但是我们发现节点i的状态与他周围的节点状态都有关系，所以会形成一个循环，我们可以通过循环迭代的方式，去求解全图所有点的状态。

2.节点特征的输出

我们这里考虑节点的特征，包含节点的状态，节点周围边的状态，所以，我们引入一个函数g进行输出，因此，我们引入了两个函数f和g，一个用于求解每个节点的状态，一个用于将节点的特征输出。写出迭代的表达式，并参考上述的CSDN博客的两张图。

                

其中f和g可以设计成神经网络结构进行训练

3.模型的学习方法

假设通过多次迭代可以收敛到特定值，这里的收敛需要一定的数学推导，由于数学能力不足，我们先不考虑收敛的问题，只了解大概原理。

每次迭代之后，都会得到每个节点新的特征，我们可以根据实际需求定义损失函数，通过类似于BP神经网络反向传播的方法，对f和g（神经网络）进行参数调整，直到最后迭代收敛，即完成训练。