图神经网络task2

消息传递图神经网络

GNN

GNN是一个邻居聚合策略，一个节点的表示向量，由它的邻居节点通过循环的聚合和转移表示向量计算得来。我们来想象人类学习知识的过程，在自身具有一定知识的基础上，我们会想要从周围的伙伴那里学习到更多的知识，然后将伙伴给予的信息与自身已有的知识组合起来，更新并获得更高阶的知识，这个过程就是一个消息传递过程。

MPNN

1. 消息传递阶段 ：共运行T个时间步，并包含以下两个子函数：

Aggregation Function：也称消息函数，作用是聚合邻居节点的特征，形成一个消息向量，准备传递给中心节点。
Combination Function：也称节点更新函数，作用是更新当前时刻的节点表示，组合当前时刻节点的表示以及从Aggregation Function中获得的消息。
2. 读出阶段：针对于图级别的任务（如图分类）仅仅获得节点级别的表示是不够的，需要通过读出函数（Readout Function）聚合节点级别的表示，计算获得图级别的表示。

因此，不同种类的GNN就是通过设计不同的Aggregation Function，Combination Function以及Readout Function实现的。也就是说，从邻居聚合的信息不同，邻居信息与自身信息的组合方式不同，或者节点的读出方式不同，最终都会导致我们最终获得的表示向量不同。不同的任务为了获得更准确的预测效果，会着重于抓取不同的信息

MessagePassing基类的运行流程。

基类MessagePassing提供参数agg来实现聚合函数，基类的两个成员函数message和update分别对应${\varphi }^{(k)}\left(\mathbf{x}{i}^{(k-1)},\mathbf{x}{j}^{(k-1)},\mathbf{e}j,i\right)和{\gamma }^{(k)}\left(\mathbf{x}{i}^{(k-1)},\dots \right)$的实现，用户继承MessagePassing并实现具体的message和update函数以实现自定义的GNN，最后通过在forward方法中调用propagate方法驱动整个计算流程的进行