图神经网络综述和学习路径

图神经网络解决的什么问题

本质上解决的是表示学习的问题

得到节点的向量，就可以做下游任务了

我们学习的就是这个 f() 怎么构建

可以看作是一个编码器encoder

邻接矩阵 包含了节点相互连接的所有信息，能够直接将邻接矩阵输入到神经网络中？？

节点换换位置，他的输入就不同了。

同一个数据的节点嵌入表示结果，应该与节点编号无关。

下面是个例子 图一和图二节点连接是一样的（只是编号不一样），但是嵌入的邻接矩阵不一样---所以想和个想法不行

卷积神经网络

但是在图里面，滑动窗口怎么设计？？，从那开始滑动？按什么顺序滑？

coangtu而且图是可以扭曲的，所以不行。

如何设计出一个不变的图神经网络呢----消息传递的框架

最重要是构造计算图，广泛收集我的邻居节点对我的意见，我再更新我自己对我i自己的了解，不断迭代，获得我自己的 embedding, 这样顺序是不变的，因为我的邻居是不变的。

在和构建图中共有两个神经网络：1，黑色方块（BCD三个共享）； 3，灰色方块

从图中可以看出后两个节点可能相似

每个图可以换分为许多子图，每个节点都可以构造吹自己的计算图，每个计算图就是训练GNN的一个样本点，他是具有特征和标签的，然后用传统的神经网络那一套就可以训练了。就可以获得每个节点的 embedding ，从而得到全图的 embedding，然后就可以做下游任务了。

这里的层数是2，相当于几跳。（一般都是2层），如果层数太多，链接相同的节点越来越多，就可能过拟合。

（这里是逐个元素求平均（或者别的方法），所以先加哪个元素都一样，所以说与节点顺序无关）

黑色方块和灰色方块中是什么？ 就是全连接神经网络

输入原始图 经过GNN 处理 输出一个图（图中的节点特征都变成了他的嵌入）