一 前言
图是一个序列
图越深，上层的节点链接的下次节点越多
二 什么是图
1 图是表现一些实体之间的关系
实体：点 关系：边
核心：如何把想要的信息表示为图中的向量，并可以通过数据得到
2 三大类问题
（1）图层面的任务：整个图的识别
（2）顶点层面的任务：点的属性判断
（3）边级别上的任务：边的属性判断
3 图在神经网络的挑战
（1）怎么表示图，使得它和神经网络兼容
图的四种信息：点，边，全局信息，连接性
如果用矩阵来表示，考虑到矩阵大小，只能使用稀疏矩阵
但是稀疏矩阵高效计算很难，放在gpu也难
如何表示连接性？ （2）临界矩阵行列交换，依然表示相同的内容 要保证，不同排序的邻接矩阵输入，输出结果是一致的 （3）新的表示方式
用列表的形式，存储点，边的属性，以及边的连接线和全局信息 问题：如何用神经网络处理上述的数据形式
三 图神经网络
图的四种信息：点，边，全局信息，连接性
1 GNN定义：对图上的所有信息，进行一个可以优化的变换，并且能保持图的对称性
这种优化，不会因为排序不同，而产生不同的结果
输入是一个图，输出也是一个图
只对点和边和全局信息进行一个变换，但是不会改变连接性
2.最简易的GNN
将全局信息U 点的信息V 边的信息E 都输入到对应的MLP中
这些MLP组合在一起构成了GNN的层，对属性进行了一个更新
最后的输出得到结果：
将所有数据，输入到一个全连接层（二分类就连接层输出为2，n分类就连接层输出为n）
所有的顶点共享连接层的参数
如果一个 点没有向量，想对他做出预测，使用polling（汇聚）
四 实验
五 相关技术
标签：矩阵,神经网络,信息,多图,李沐,连接性,全局,GNN From： https://www.cnblogs.com/kuafuzhuiri/p/17376036.html