风行

课程链接:https://www.bilibili.com/video/BV1G54y1971S?from=search&seid=5084415522145555976笔记!Notes：空间域使用较多的是GAT，谱域使用较多的是GCN！Notes：这里上面的四张图像表示的是四组graph spectral域的基同时由下面的分析可以知道λ\lambdaλ越大，对应相邻节点的信息变化也就越大，说明频率越高。总结我觉得课程将结合信号中的卷积和滤波概念，将GCN的公式是

A Comprehensive Survey on Graph Neural Networks细节点摘要介绍部分将机器学习应用到Graph领域的问题2D卷积和Graph卷积相似之处和区别文章的贡献之处文章框架GNNs背景GNNs和network embeddingGNNs和graph kernel methodsGNNs 符号notationsSpatial-Temporal Graph定义GNNs分类框架网络结构划分RecGNNs：学习节点表示ConvGNNs：将网格数据的卷积推广到GraphGraph

Deep Learning on Graphs: A Survey问题术语表示词汇说明摘要信息文章框架主要内容读出操作什么是读出操作(readout operation)读出操作要求的顺序不变性(Order Invariance)读出操作的方法总结GCNs改进和讨论注意力机制残差和跳跃连接边缘特征离散边缘特征采样方法问题的引入抽样方法Inductive Setting什么是inductive setting？可以研究的方向Theoretical Analysis,理解为什么GCNs有效node-focuse

概念区别同构图同构图指的是图中的节点类型和关系类型都仅有一种。异构图指的是图中的节点类型或关系类型多于一种。属性图在异构图基础上增加了额外的属性信息。对于节点类型和关系类型的理解比如我今天看了电影《流浪地球》，那“我”作为观众和电影《流浪地球》之间就建立了“看了”这一关系。异构图可以用来描述这种交互关系的集合。这个图分“观众”和“电影”两类节点，以及“看了”这一类边。“我”作为观众，和电影所具有的属性一定是不同的，需要用不同的模型或者不同的特征维度来表达。这张图就天然具有了异构性。再比

词汇解释拉普拉斯矩阵：图的一种表示方式。详细可参考： https://blog.youkuaiyun.com/qq_30159015/article/details/83271065 https://zhuanlan.zhihu.com/p/84649941graph reasoning models(图推理模型)graph Embedding(图嵌入)-它学习用低维向量表示图的节点、边或子图。相关论文：DeepWalk[17],SkipGram[16],node2vec[18],LINE[19],

参考资料文献书籍视频网站代码实现3个概念图嵌入(Graph Embedding)-GE图神经网络-GNN图卷积-GCN文献The Graph Neural Network Model(图神经网络) 最原始的图神经网络模型，同时也是首次提出图神经网络的概念Geometric deep learning on graphs and manifold susing mixture model cnns(MoNet)将CNN泛化到非欧式结构上Geometric deep learning: g