图神经网络模型—PATCHY-SAN的基本思想与流程

1 将CNN应用到图结构数据时面临的问题：

1. 感受野不同：
   在处理图像问题时，卷积神经网络利用固定大小Kernel提取图像的特征，见下图
   
   当面对图结构数据时，由于网络中各节点的一阶邻居数是不同的，如果仍然使用固定大小的kernel是不可行的，因为卷积核的感受野会是不同的。那么在提取邻域的时候，是否可以对邻域进行削减或padding，使得卷积操作可行（注：不是网络中所有的节点都做为中心节点进行卷积神经网络的操作，而是根据一个函数对节点先进行排序，然后根据步长选取前$w$个节点做为中心节点）。

2. 将CNN用到图结构数据时，图的节点缺乏顺序。利用一个函数（比如度中心性、介数中心性等）来对节点进行排序。

3. 如何在一个计算复杂度较低的情况下学得节点的表示

2 PATCHY-SAN流程

• 总流程：
  

1. 选取node sequence:
   利用函数$l$先对网络中的所有节点进行排序，然后根据步长选择前$w$个节点做为中心节点。
   

2. 为node sequence中所有的节点生成邻域网络：
   基于广度优先原则来获取每个中心节点的邻域网络。

3. 对所有获得的邻域网络进行归一化
   对于邻居节点太多或太少的邻域网络根据邻居节点的排序进行padding或削减。在选择邻居节点的时候，要使得映射完成后的向量之间的距离和节点在网络中的距离相近，即最小化下面的公式
   

4. 利用CNN学得节点表示

[1]: Niepert M, Ahmed M, Kutzkov K. Learning Convolutional Neural Networks for Graphs.
[2]: https://blog.csdn.net/zsfcg/article/details/82465973
[3]: https://www.cnblogs.com/KongHuZi/p/12720145.html