[人工智能]（DataWhale）图深度学习Task08：总结

ＧＮＮ背景

欧几里得空间的数据满足平移不变性和局部可连通性等特点，适用CNN、RNN等传统深度学习模型。图是一种更广泛的数据，且非欧几里得数据，研究图神经网络极有必要。

图数据的特征：

• 节点的不均匀分布
• 排列不变性
• 边的额外属性

图神经网络的挑战：

• 图数据的不规则性
• 图结构的多样性
• 图数据的大规模性
• 图研究的跨领域性

典型图神经网络

GCN：每个节点的卷积操作可以看作一阶邻居节点之间的消息传递；

GAT：利用注意力机制来定义图卷积；

MPNN：将空域图神经网络统一成消息传递方式；

GraphSAGE：将直推式学习扩展到归纳式学习，并通过邻居采样的方式加速图神经网络在大规模数据上的学习；

Cluster-GCN：结合图聚类算法对子图节点采样，并限制子图的邻居搜索；

GIN：证明WL测试是图神经网络表达能力的上限，图同构网络是表达能力最强的图神经网络。

图神经网络任务

• 节点：节点的分类、回归、聚类等
• 边：边分类、链接预测等
• 图：图的分类、图的生成、图的匹配等

图神经网络库PYG实践

PyTorch Geometric Documentation

PyG是一个基于PyTorch的用于处理不规则数据（比如图）的库，也就是一个用于在图等数据上快速实现表征学习的框架。

• torch_gemotric.data
  • Data：使用该类可构建自定义图数据对象；
  • Dataset：用于构建自定义数据集的基类；
  • InMemoryDataset：继承Dataset，创建存储于内存的数据集类；
  • DataLoader：通过batch的方式feed数据；
• torch_geometric.nn
  • MessagePassing：自定义message、update、aggregation scheme三个方法实现GNN；
  • GCNConv
  • GATConv

GNN的学习任重道远，本次学习起到引导梳理作用，接下来仍需不断深入扩展，加油！