深入理解图（Graph）与图神经网络 （GNN）（其二）

图的重连破坏了GNN的理论基础。GNN和传统的CNN之间有一个重要且略微微妙的区别，那就是图既是输入的一部分，也是计算结构的一部分。传统的GNN使用输入图（Graph）来传播信息，从而获得反映图结构和特征的表示。然而，由于某些结构特性（"瓶颈"）的存在，有些图对信息传播不太友好，导致来自过多节点的信息被"挤压"到单个节点的表示中——这种现象被称为"过度压缩" 。

这种"过度压缩"现象可能导致信息丢失和模糊，从而影响模型的性能和表达能力。传统的GNN模型可能无法有效地处理具有复杂结构或高度连接的图，特别是当信息需要在整个图中传播时。这限制了GNN在某些情况下的适用性，并阻碍了模型的进一步发展。

为了克服这个问题，研究人员提出了一些解决方案，如图的重连。图的重连通过重新定义图的连接方式，改变信息传播的路径，从而缓解了"过度压缩"的问题。重连可以通过改变图的边连接、增加边的权重或调整图的拓扑结构来实现。这样的重连策略可以帮助信息在图中更好地传播，从而提高模型的表达能力和性能。 然而，图的重连也引入了新的挑战和问题。它破坏了传统GNN模型的理论基础，并需要重新考虑模型的设计和训练策略。此外，重连的选择和实施需要谨慎，并且需要基于具体的应用领域和任务需求进行调整和优化。

现代GNN的实现通过解耦输入图和计算图（或为计算目的而对其进行细化），采用一种称为"图重连"的技术来应对这种现象。重连可以采用邻域抽样（neighbourhood sampling）的形式（例如GraphSAGE 中