10、图神经网络入门：基础与支柱

图神经网络入门：基础与支柱

一、引言

图神经网络（GNNs）旨在将深度学习模型扩展并应用于图结构数据的训练和学习。我们通常用“图智能”来表示人工智能中处理图数据学习方法的一个分支。传统的深度学习模型无法直接应用于图结构数据集，因为图的拓扑结构并非规则的网格。图智能领域的研究可以追溯到21世纪初，当时首个GNN被开发用于处理图和节点相关的任务。随着深度学习在不同应用领域的显著成功，研究界投入大量精力来推动图智能任务和应用的发展。因此，深度学习无疑是图智能的基石。

本文将为你提供一个理解和从头开发简单GNN的切入点，适用于节点和图相关的任务。主要内容围绕图网络的主要构建模块展开，如图滤波器、池化算子和聚合器。

二、图滤波器

设计图滤波器的方法大致可分为两类：
1. 空间依赖图滤波器
- 空间依赖的方法基于节点的语义关系定义图卷积，类似于标准卷积神经网络（CNNs）在图像上应用卷积滤波器。图像中的每个像素可视为一个节点，相邻像素在物理上相互关联。通过对核心节点及其邻居在所有通道上的像素值求平均，将滤波器应用于一个图像块。同样，空间依赖的图滤波器通过学习特定节点及其邻居的表示来获取该节点的当前表示。图网络作为具有交互归纳偏置的通用结构，为学习对象、关系和拓扑表示提供了复杂的接口。图网络可以通过连续、编码 - 处理 - 解码或循环的方式由图滤波器构建而成。常见的空间滤波器示例包括非局部神经网络（NLNNs）、消息传递神经网络和GraphSAGE。
2. 谱依赖图滤波器
- 谱依赖的图滤波器利用图输入的谱空间来创建。在介绍如何使用它创建基于谱的图滤波器之