现代机器学习研究进展 第二部分 模型与架构 第11章 — 图神经网络（GNN）：原理、可辨识性与可扩展性

严格禁止转载

版权所有 © 2025 刘丹。
本文的全部内容（包括文字、插图、表格、图表、代码示例等）受版权法保护。未经版权所有者书面明确许可，任何单位或个人不得以任何形式（包括但不限于复印、转载、摘编、影印、扫描、改编、录入计算机检索系统、互联网传播、网络下载或以其他方式使用）复制、传播或改编本文的全部或任何部分。
违者将依法追究法律责任。
如需转载或引用本书内容进行教学、研究或出版，请通过以下联系方式申请许可：
联系人：刘丹；电子邮件：3549233510@qq.com。

本章从**形式化的消息传递范式（MPNN）**出发，给出谱与空间视角的推导，证明 GNN 与 Weisfeiler–Lehman (WL) 测试之间的严格关系（可分性上界与可达性），分析 GNN 的局限（计数、对称性与高阶结构），讨论可扩展训练（采样、子图/mini-batch、图划分）的数学复杂度与误差来源，说明图生成/表示/对比学习的原理与目标函数，并就 GraphSAGE 与 GAT 在 WL 判别力上的差异给出定性/定量实验设计与理论解释。力求把每个重要结论以命题/定理/证明要点给出，并列出实现上的关键公式与复杂度界。

---

11.1 图与符号约定

---

11.2 消息传递范式（MP