图神经网络的分类_图神经网络分类

图卷积神经网络

GCN、GraphSage都属于图卷积神经网络，都是利用节点与节点周围的邻居信息不断的聚合，以学习到节点的高层表示。

PATCH-SAN：因为GCN和GraphSage聚合邻居信息时具有排列不变性，而PATCH-SAN是真正利用卷积操作，去完成节点的深层次的学习。

Graph Attention NetWork

GAT利用节点之间的attention，求出节点与周围邻居节点的attention系数，然后通过聚合邻居节点得到下一层的特征表示。

Graph Auto-encoder

输入一张图graph，然后通过GCN得到图的隐层节点特征表示z，然后$z\cdot z^T$还原出一张图，然后求输入图与输出图的结构性误差，当做损失函数，最小化loss之后，就学到了GCN的参数。与autoencoder思想类似，只不过把encoder转为GCN，decoder转为$z\cdot z^T$

Graph Spatial-Temporal Networks(图时空网络)

同时考虑图的空间性和时间维度。比如在交通邻域中，速度传感器会随时间变化的时间维度，不同的传感器之间也会形成连接的空间维度的边。当前的许多方法都应用GCN来捕获图的依赖性，使用一些RNN 或CNN 对时间依赖性建模。

Graph Generative NetWork（图生成网络）

通过RNN或者GAN的方式生成网络。图生成网络的一个有前途的应用领域是化合物的生成。在化学图中，原子被视为节点，化学键被视为边，任务是发现具有某些化学和物理性质的新的可合成分子。

Graph Reinforcement Learning（图强化学习）

采用强化学习的方法应用于图网络上

Graph Adversarial Methods

GAN思想，生成器生成样本，分类器去判别样本

通用框架

MPNN消息传递网络

统一了各种图神经网络和图卷积网络，分为两个阶段：

1. 消息传递阶段
2. Readout阶段

消息传递阶段

在消息传递阶段分为两个函数：
（1）消息函数Mt ：聚合了自己的节点$h_v^t$、邻居节点$h_w^t$和边的特征$e_{vw}$，通过消息聚合函数$M_t$，得到聚合邻居的信息$m_v^{t+1}$。
（2）更新函数Ut：根据本身的向量$h_v^t$，以及聚合了邻居信息的特征$m_v^{t+1}$，然后通过更新函数$U_t$更新了下一层的节点的表示。

上面两步，可以在GCN、GraphSage模型中都有体现。

在Readout阶段
得到每一个节点的特征$h_v^{t+1}$，将这些节点聚合在一起得到了图的特征表示。相当于聚合了图上所有的节点。同时要保证节点排列不变性。

NLNN统一Attention

None-local Neural NetWorks 非局部图网络

上述公式中，$f(x_i,x_j)$表示$i,j$节点之间的关系，可以通过很多关系函数求得，例如$f(h_i,h_j)=e^{h_i^T{h}_j}、f(h_i,h_j)=e^{\theta (h_i{)}^T\varphi (h_j)}、f(h_i,h_j)=\theta (h_i{)}^T\varphi (h_j)、f(h_i,h_j)=ReLU(w^T[\theta (h_i)||\varphi (h_i)])$

$g(x_j)$表示$x_j$经过$g(x)$函数的变换。

${\sum }_{\forall j}f(x_i,x_j)g(x_j)$表示，聚合节点x的所有邻居节点j
然后通过归一化操作求得节点i的新的特征表示。

在GAT中，$x_i,x_j$相当于attention系数，$f(x_i,x_j)$ 相当于将节点i和节点j拼接之后与attention系数相乘然后与$g(x_j)$相乘加权求和。

GN网络

统一了MPNN和NLNN
GN block

上面我们讨论了简单图的图神经网络模型，这些图都是静态的，只有一种节点和一种边。然而，在许多现实世界的应用程序中的图表要复杂得多。它们通常有多种类型的节点、边缘、独特的结构，而且通常是动态的。

1. 异构图 Heterogeneous Graph Neural Networks
2. 二部图 Bipartite Graph Neural Networks
3. 多维图 Multi-dimensional Graph Neural Networks
4. 符号图 Signed Graph Neural Networks
5. 超图 Hypergraph Neural Networks
6. 动态图 Dynamic Graph Neural Networks

异构图

节点和节点之间或者边之间的关系是不一样的。例如作者可以发表文章，参加会议，文章之间又有引用的关系。

二部图

可以将图中所有的节点分为两部分，其中每一部分内之间是没有边的连接， 不同部分之间可以有边连接，例如人可以在电商网站购买物品，任何人之间或者物品和物品之间没有边的连接，但是任何物品之间可以通过购买关系相连接，这种方式的图就是二部图

多维图

符号图

节点和节点之间的边是有相反属性的关系，例如两个人之间如果是朋友关系则为$+1$，如果是敌对关系则为$-1$，如果不认识，则没有边连接。边上有符号的图叫符号图。

超图

动态图

上面提到的图是静态的，观察时节点之间的连接是固定的。 但是，在许多实际应用中，随着新节点被添加到图中，图在不断发展，并且新边也在不断出现。 例如，在诸如Facebook的在线社交网络中，用户可以不断与他人建立友谊，新用户也可以随时加入Facebook。 这些类型的演化图可以表示为动态图，其中每个节点或边都与时间戳关联。

例如在$t_0$时刻，节点$v_2$关注了节点$v_1$，在$t_1$时刻，节点$v_3$也关注了$v_1$，以此类推，随着时间的变化生成的图就是动态图。