图神经网络简介（一）
作者：互联网
【引言】
神经网络已经适应于利用图的结构和属性。 我们探索构建图神经网络所需的组件 - 并激发它们背后的设计选择。
【注】我们可以看到每一个节点是和下层某几个节点计算而来。顶部的节点由他的邻居的节点计算，越顶层，关系的邻居越多。这也是图神经网络如何利用图的结构化信息来处理信息的。
本文是关于图神经网络的两篇 Distill 出版物之一。 查看了解图上的卷积以了解图像上的卷积如何自然地推广到图上的卷积。【有两篇关于图卷积，本篇比较基础】
图表就在我们身边；现实世界中的对象通常是根据它们与其他事物的联系来定义的。一组对象，以及它们之间的联系，自然地表示为一个图。十多年来，研究人员开发了对图形数据进行操作的神经网络（称为图形神经网络或 GNN）。最近的发展提高了他们的能力和表现力。我们开始在抗菌发现、物理模拟、假新闻检测、交通预测和推荐系统等领域看到实际应用。【图神经网络刚开始应用，比较新的领域。】
【这篇文章要干什么？】
本文探索并解释了现代图神经网络。我们将这项工作分为四个部分。首先，我们看看什么样的数据最自然地表述为图表，以及一些常见的例子。其次，我们探讨了图表与其他类型数据的不同之处，以及我们在使用图表时必须做出的一些专门选择。第三，我们构建了一个现代 GNN，遍历模型的每个部分，从该领域的历史建模创新开始。我们逐渐从简单的实现转向最先进的 GNN 模型。第四也是最后一点，我们提供了一个 GNN Playground，您可以在其中玩弄真实的任务和数据集，以建立对 GNN 模型的每个组件如何对其做出的预测做出贡献的更强烈的直觉。【作者将本文分成四块，后面也是按照四部分进行展开】
【什么是图？】
首先，让我们确定什么是图表。图表示实体（节点）集合之间的关系（边）。
【其中像数据结构中的图结构，拥有顶点属性（比如包含节点信息，邻居个数），边属性，和图的界限U】
为了进一步描述每个节点、边或整个图，我们可以将信息存储在图中的每个片段中
【每个属性通过一个向量来表示其中的信息】
我们还可以通过将方向与边（有向、无向）相关联来专门化图。
边可以是定向的，其中边
标签：简介,模型,我们,神经网络,可以,GNN,节点,属性 来源： https://blog.csdn.net/ckq707718837/article/details/122555422