Motivation
输入是图：
考虑结构和关系信息。
如何在图结构中做Convolution?
Spatial-based GNN
Aggregate:用neighbor feature update下一层的hidden state
Readout:把所有nodes的feature集合起来代表整个graph
NN4G (Neural Networks for Graph)
输出：
每一层的结果取平均后再相加。
DCNN (Diffusion-Convolution Neural Network)
d为距离（图中表示的是到节点3的距离）
第 i 层，找到距离为i的节点的特征取mean，再乘上权重。
每个节点的表示，由k个这样的层组成：
concat 之后， 乘以权重得到输出。
DGC (Diffusion Graph Convolution)
和上一篇类似，得到的输出是直接相加：
MoNET (Mixture Model Networks)
无脑相加 -> 给一个权重的定义：重新定义距离，用定义的距离做weight，再进行sum 或 mean。
GraphSAGE
对邻居feature的处理方式：
mean
max-pooling
LSTM（把邻居节点喂给LSTM，output是hidden state，每次update时，随便sample一个邻居节点的顺序来消除LSTM对顺序的关注）
GAT (Graph Attention Networks)
对邻居做attention。
节点特征：
计算energy（weight）：
计算attention分数：
每个节点的feature = sum{ 所有邻居节点 * 邻居节点各自的energy(attention weight) }
GIN (Graph Isomorphism Network)
自己的feature + sum（邻居features）
用sum，不用mean或max pooling，区别不同形态的图：
资源
GNN库： Deep Graph Library dgl.ai