图神经网络(GCN)与超图神经网络(HGN)：区别与联系

先放论文：

图神经网络(GCN):

https://arxiv.org/pdf/1606.09375.pdfhttps://arxiv.org/pdf/1606.09375.pdf

超图神经网络(HGN): https://arxiv.org/pdf/1809.09401.pdfhttps://arxiv.org/pdf/1809.09401.pdf

两者区别总结：

图卷积神经网络是卷积神经网络在图域上的自然推广，弥补了CNN中平移不变性在非矩阵结构数据上不适用的问题，使得网络能够对输入数据的图结构进行编码。然而GCN中数据节点之间仅采用了成对的连接，这很难满足实际场景中数据之间复杂关系的表示。更具体的说，传统的图结构将特征数据之间的关系简单的表达为二元关系，丢失了原始数据中很多高阶的关联关系。然而超图的拉普拉斯矩阵扩展了节点邻域，使其可以聚合更丰富的高阶信息，进而更准确地模拟多元高阶关联。

图解：

 两者的区别体现在邻接矩阵上，GCN表示为A，HGN表示为H。

图左边，GCN中节点为成对连接，节点之间只能表达为2元关系。超图则是任意多个节点连接，可以表达多元复杂关系。

图右边，GCN中的A表示节点与节点之间是否有关系，HGN表示节点与边是否有关联。