GNN图神经网络梳理

一、GCN 图卷积神经网络：

Semi-Supervised Classification with Graph Convolutional Networks
基于频谱域的图卷积神经网络，原理是通过独立于节点embedding的图拓扑结构定义用于聚集(过滤)邻居节点的权值。

：本质仍是聚合邻居节点的信息，只不过可以通过数学变换得到如下的式子统一表示聚合邻居信息的过程。

这样可能提高了速度但固定了GCN的聚合邻居信息的方式，导致了直推式学习的弊端。
1、GCN的本质确实是利用全图进行节点的特征学习（参考：GCN（2017ICLR论文）说明）
2、在面对新的节点时确实需要重新训练

参考：GCN入门

而传统的基于空间域的GCN遵从如下的计算规则：

二、GAT 图注意力神经网络（从空域出发，加入了attention）：

在GAT中，由于注意力机制，权值是节点embedding的函数。对图节点的分类结果表明，GAT的自适应能力使得融合节点特征和图拓扑结构的信息更加有效。

三、GraphSage 基于空域的图卷积神经网络（第一篇）：

经典的应该也是目前最常见的基于空间域的图卷积神经网络，不同于GCN，GraphSAGE从两个方面对传统的GCN做了改进，

• 一是在训练时的