前言

李沐精读GNN论文“A Gentle Introduction to Graph Neural Networks”，读后摘要。

一、内容摘要

图三大层面的问题：
1、图级别
2、节点级别
3、边级别

图的节点、边、全局信息、连接性四种类型的信息来做预测。

GNN：对图上所有属性（图的节点、边、全局信息）进行的一个可以优化的变换，这个变换可以保证图的对称信息。
message passing neural network 是一种GNNs框架，当然GNN也可以用别的方式构建。
GNN的输入和输出都是图，它会对节点、边的信息进行变换，但图连接性是不变的。

稀疏矩阵：
矩阵中，数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律时，则称该矩阵为稀疏矩阵，否则为稠密矩阵。其存储格式：COO（Coordinate Format，每个元素用一个三元组表示）、CSR（Compressed Sparese Row）。

MLP？
神经网络的变种目前有很多，如误差反向传播（Back Propagation，BP）神经网路、概率神经网络、卷积神经网络（Convolutional Neural Network ，CNN-适用于图像识别）、时间递归神经网络（Long short-term Memory Network ，LSTM-适用于语音识别）等。但最简单且原汁原味的神经网络则是多层感知器（Multi-Layer Perception ，MLP），只有理解经典的原版，才能更好的去理解功能更加强大的现代变种。
最典型的MLP包括三层：输入层、隐层、输出层，MLP神经网路不同层之间是全连接的（全连接：上一层的任何一个神经元与下一层的所有神经元都有连接）。
https://zhuanlan.zhihu.com/p/63184325
神经网路主要有三个基本要素：权重、偏置和激活函数。

end-to-end prediction task？
端到端指的是输入是原始数据，输出是最后的结果，原来输入端不是直接的原始数据，而是在原始数据中提取的特征。