GNN/GCN
Distill：https://distill.pub/2021/gnn-intro/
三大问题：
- Graph-level task（分类）
- Node-level task（顶点属性判断）
- Edge-level task（边的属性判断）
信息存储：（存储高效，不受排序影响）
- Nodes：标量/向量
- Edges：标量/向量
- Adjacency List：长度和边一样，第i个项表示第i个边连哪两个顶点
- Global：标量/向量
“message passing neural network” framework 是 graph-in，graph-out，不改变图的连接性
最简单的GNN
nodes向量，edges向量，全局向量分别构造一个MLP，作为一个层。不考虑所有的连接信息。
Pooling操作
最后一层输出怎么得到预测值？
假如对顶点做预测：二分类：对每个顶点进入输出维度为2的MLP，softmax，注意，只有一个MLP，所有顶点共享
没有对应顶点的向量怎么做？
该顶点连接的边向量和全局向量拿出来相加（假设维度相同），进入MLP，输出
如果只有顶点没有边向量？
把顶点向量汇聚（相加）到边上（相连的顶点）可以+U向量，进入边的MLP，输出
如果没有全局向量只有顶点向量怎么做？
顶点向量加起来进入U的MLP，输出
最简单的GNN的结构图如下：
局限性：
变换的时候没有使用图的结构信息，没有把图的信息更新进图
改进：passing messages
最简单的消息传递：更新一个顶点时，和邻居顶点加在一起，进入MLP
和CNN类似，和相邻像素相连，卷积核权重都一样，通道就是MLP
可以在早期进行边和顶点信息汇聚：
- 把顶点信息传递给边，边信息更新，再把更新过的边信息汇聚给顶点，顶点更新（维度不一样）
- 反过来结果不同
- 交替更新
全局信息U怎么做？
图大，消息传递很远，加入master node或者叫做context vector（和所有顶点相连，和所有边相连），即U
U和E，V所有东西相连，汇聚边/顶点，也会把U加入，更新U会把所有EV拿进来，进入MLP
类似attention，把q相近的信息拿过来
汇聚：mean，max，sum
其他图
- 有不同边（有向无向）
- 有子图
- 。。。。
图采样batching
1.随机采样点，之后找邻居，做子图减小存储
2.随机采样一个点随机走，固定随机走多少步得到子图
3.随机走几步，找邻居点
4.diffusion sampling：取一个点，把N近邻往前走k步，得到子图
Inductive biases
任何一个机器学习都有假设
CNN：空间变换不变性
RNN：时序连续性
GNN：保持图的对称性（无论顶点怎么交换，GNN不变）
汇聚操作中Max Mean Sum都差不多
GCN as subgraph function approximators
GCN：（带了汇聚的那个）如果有k层，只看邻居的话，每个顶点看到其子图，最远k步
点和边对偶
graph attention networks
卷积权重和位置相关，GNN权重需要对位置不敏感
权重可以取决于顶点向量之间的关系，点乘，softmax，顶点获得权重
图的可解释性
点和边对偶
graph attention networks
卷积权重和位置相关，GNN权重需要对位置不敏感
权重可以取决于顶点向量之间的关系，点乘，softmax，顶点获得权重
图的可解释性
generative modelling