重要的网站

https://www.dgl.ai/
https://github.com/rusty1s/pytorch_geometric
https://zhuanlan.zhihu.com/p/54505069
https://zhuanlan.zhihu.com/p/112938037

1. GNN应用例子

1.1分类

分子是否会突变 分子结构生成 graphVAE

GraphVAE paper

找凶手，其实是个分类问题 roadmap

1.2 Dataset

• CORA
• TU-MUTAG

1.4 Benchmark

2. 常见模型

Spatial-based Convolution

NN4G

• layer0做的是简单的embedding

aggregation readout

DCNN (Diffusion - CNN)

• 第n层看离当前节点距离n的节点信息

把每一层的feature叠加起来(concat) 对每个节点进行分类

DGC (Diffusion Graph Conv)

和DCNN的区别就是特征层改成相加

MoNET (Mixture Model Network)

• deg(x) 表示x的出入度数
• u(x,y) 自定义的距离计算方式

GraphSAGE

GAT (Graph Attention Network)

• 不同的邻居weight要怎么给
• e → energy

GIN (Graph Isomorphism Network)

结论：首先把邻居都加起来+自己*系数，不要用maxpooling，也不要用meanpooling

Graph Signal Processing and Spectral-based GNN

向量空间

• 任何信号都是由基础信号的加权和组成
• 单个基础信号的权重可以由信号点乘该基础信号求得
• 基础信号都是正交的

傅里叶级数

即基础信号是sin, cos

傅里叶变换

Spectral Graph Theory

• 是节点的个数
• 是邻接矩阵
• 只考虑无向图 （是对称矩阵）
• 邻居数量
• 节点上的signal（具体问题具体含义，如温度等）

• Graph拉普拉斯 , 对称矩阵、半正定矩阵（所有特征值大于等于0）
• 特征分解，是frequency；是正交基，且长度为1
  

示例

• 不同频率下的基

• 离散傅里叶基，帮助理解频率的概念

• 如果把作用在上，如下图，可以发现： 某种程度上表示某个节点与邻居的能量差
  

可以归纳为如下：

能量的话要算平方（要去补一下信号处理）
代表了节点之间的能量差异

如果把替换成特征向量，可以发现，最终就是特征值

如何做filtering?

• 时域→频域→与filter相乘→时域

首先是时域转频域，下面的就是上面的，其实就是分析每个正交基上的投影，在每个频率下的成分有多大

那么怎么转回去呢，先看下普通的信号处理，每个时刻把每个频率下成分大小叠加起来

图傅里叶也是一样的 ，就得到了节点信息

filter: 就是filter

整个过程如下，我们要学习的是

ChebNet

减少了计算量
结论：先根据递归把转换成，然后是要学习的参数，代表k-localized

GCN

Chebnet的基础上
节点的特征经过线性变换，然后所有的邻居求和取平均，加上，最后经过激活函数

Tasks

• 半监督节点分类

• 回归

  
  

• 图分类

  
  

• 图表示学习（representation learning）

• 连接预测（link prediction）