MLP GCN GAT

MLP GCN GAT

在节点表征的学习中，MLP节点分类器只考虑了节点自身属性，忽略了节
点之间的连接关系，它的结果是最差的；而GCN与GAT节点分类器，同时
考虑了节点自身属性与周围邻居节点的属性，它们的结果优于MLP节点分
类器。从中可以看出邻居节点的信息对于节点分类任务的重要性。
基于图神经网络的节点表征的学习遵循消息传递范式：
在邻居节点信息变换阶段，GCN与GAT都对邻居节点做归一化和线性变
换（两个操作不分前后）；
在邻居节点信息聚合阶段都将变换后的邻居节点信息做求和聚合；
在中心节点信息变换阶段只是简单返回邻居节点信息聚合阶段的聚合结
果。
GCN与GAT的区别在于邻居节点信息聚合过程中的归一化方法不同：
前者根据中心节点与邻居节点的度计算归一化系数，后者根据中心节点
与邻居节点的相似度计算归一化系数。
前者的归一化方式依赖于图的拓扑结构，不同节点其自身的度不同、其
邻居的度也不同，在一些应用中可能会影响泛化能力。
后者的归一化方式依赖于中心节点与邻居节点的相似度，相似度是训练
得到的，因此不受图的拓扑结构的影响，在不同的任务中都会有较好的
泛化表现。