GCN阅读 GeniePath: Graph Neural Networks with Adaptive Receptive Paths

本文是关于一种自适应感知路径的GNN GeniePath论文的笔记

---

前言

该神经网络适用于可扩展的，能够学习自适应感受路径的图神经网络框架，他定义在具有排列不变性的图数据上。

排列不变性：指的是输入的顺序改变不会影响输出的值。（在图上体现的排列不变形可能就是节点的输入顺序。）

---

一、什么是感受野

在CNN中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小，换一种说法就是表示网络内部的不同位置的神经元对原图像的感受范围的大小。就相当于卷积后的feature map的每一个像素在原来图像上的对应的区域大小，类似照相机的底片。在Graph中，感受野就是此节点到k-hop的目标节点的节点组成的子图。作者想找到一种自适应、自动化的方法来选择感受野或者路径，于是提出了论文中的概念。在论文中作者可能从可变形卷积核的概念找到了思路，即改变感受野的大小，提出了自适应感受野的GNN算法。通过将距离k-hop的节点的信息存储在LSTM中，由网络判断哪些是对自己完成下游任务有利。

the receptive field of one target node in graph domain is equiva- lent to the subgraph that co