记录学习历程

目录 Graph Augmentation for GNNs引入Why Graph AugmentationGraph Augmentation ApproachesFeature Augmentation on Graphs Input graph没有node featuresGNN很难学习的一些特定结构Graph Structure augmentationAugment sparse graphs——添加虚拟节点或边Node Neighborhood SamplingPrediction with G

单层layer与多层GNN layers

这些节点的计算图或神经网络结构是基于邻居节点定义的，由于节点顺序是任意的，因此聚合运算要具有排列不变性，

本课从对图进行分析可以发现random walk、MF、node embeddings是相关的。

聚类或社区检测，对节点嵌入进行聚类节点分类：基于节点嵌入预测节点i的标签链接预测：基于(,)预测(i,j)之间的边利用节点的嵌入图分类：图嵌入通过聚合节点嵌入或者利用anonymous random walks。可以用来预测标签。第三课讨论了graph representation learning,与传统的方法不同，不需要特征工程，可以学习节点嵌入和图嵌入用于下游任务。

random walk：给定一个图和一个起始节点，随机选择一个邻居节点，移动到邻居节点，随机选择这个邻居节点的 邻居节点(也可以移动到上一步经过的点)，移动到它，持续下去直到给定步长。灵活的相似性的定义：考虑了局部邻居和高阶(出现次数多)的邻居信息，如果从u开始的随机游走访问v的概率大(high-order multi-hop information)，那么两者具有相似性。估计使用某种随机游走策略，从一个初始节点的random walk访问节点v的概率，优化嵌入。是要找到的节点u的嵌入。

网络是由紧密连接的多个节点集构成的。网络社区的概念：节点集具有大量内部连接和少量的外部连接(和网络其他部分的连接)如何自动找到紧密连接的节点组？理想上紧密连接的节点组和真实的节点组相对应。

pattern：小的诱导子图(图 G 的诱导子图是由图 G 的顶点的子集 X 和连接子集 X 中顶点对的所有边组成的图。)Recurring:出现的频率很高Significant:比预期出现的更频繁(预期是指和null model相比，最简单的null model可能就是ER随机图等，但更好的是和图中的度数保持一致)（1)pattern小的诱导子图：图中红色三角形里不是motifs因为它不是诱导子图。

给定一个图，提取features(node edge graph-level features)，然后学习一个模型，最终将这个模型用于预测。时间大多花费在特征工程中(为了能找到最好描述网络的特征，最后将特征用在下流预测任务)。节点连接；共享邻居节点；有相同的结构性作用......之后介绍使用random walks的系欸但相似性度量。

Importance-based features：捕获节点在图中的重要性node degree：只计算了节点邻居节点的数量Node centrality：可以区别对待邻居节点Models importance of neighboring nodesStructure-based features：捕获节点局部邻域的拓扑结构node degree：只计算了节点邻居节点的数量聚类系数：用来评价节点周围邻居节点的连接程度GDV：计数不同的graphlets的数量v。