GNN图神经网络基础学习（Graph Neural Networks）视频笔记：李宏毅老师助教的视频

来源：

B站。李宏毅老师助教。

1.Spatial-based GNN:

类似卷积神经网络利用卷积核提取特征的方式。
GNN：则是Aggregation，利用某一节点，以及该节点的邻居节点，计算下一层中该节点位置处的值。
如Layer i圈住的部分，进行一定的计算，得到的值就是Layer i+1中的h1 3的值。
Readout：则是将所有节点的信息融合，用一个东西来代表整张图。

2.模型1：NN4G(Neural Networks for Graph)

输入第一层到模型第一层： 直接权重乘以值。

模型第一层到模型第二层：

得到Readout的方法：

3.

第一层是由输入层距离为1来计算。
第二层是由第一层距离为2来计算。

H X 是第K层，第一行是第一个结点的。第二层。。。

得到每一个节点的feature：

4.

与3不同的是，
直接相加：

5.

给边具体的权重。
但是权重只是自己定义出来的。

6.

该模型的一个主要的特点就是：
使用了LSTM
但是LSTM是由顺序特点的。
因此：模型采取每次随机给一个结点的顺序，试图以这种方式让机器学会忽略结点的顺序。，

7.

边的权重自己去学：

具体方法是对邻居做attention：
attention的结果作为权重：

8.

理论证明哪些方式有用，哪些方式没有用。

第二節課

9.想法：

对输入的图进行傅里叶变换。
对给定的卷积核做傅里叶变化，
对两者得到的结果进行处理，然后做反的傅里叶变换，得到下一层的图。

。。。纯推导，放弃。

10.测试图神经网络模型的benchmark：

1.根据图片判断是什么：

2.预测溶解度：

3.

4.旅行者问题：

11.模型结果：

12.NLP：