↑公众号关注 Graph-AI
专注于 图网络与机器学习
从上到下，一文带你看全所有GNN分类 一般来说，我喜欢 从上往下 的角度来入门一个方向，毕竟入门的秘诀就是 从广到深 ，而不至于在一开始就只见枝叶不见森林。先在心中有个谱，然后再慢慢奏好每个音符，这样就会出来美妙的旋律。
这个系列挑选了清华大学刘知远老师的《 Introduction to Graph Neural Networks 》和他们的一份综述《 Graph Neural Networks: A Review of Methods and Applications 》作为参考。优秀的综述很多，我可能也参考了其他，但主要还是这两者。
本文是一个序章，是一篇导读文，从本文开始，后面的文章我再细细拆分和详解。
让我们开始吧。
总架构 首先是总架构，从下方的思维导图可以看到，我们可以从九个方面来全方面了解我们的GNN。
简单来说可以分成五大部分：
基础 ：包括理解GNN需要的数学基础、图论基础，和神经网络基础。
GNN的了解 ：包括图的种类、传播类型、训练方法、通用框架。
从这里开始，我就逐块介绍每一部分。
数学/图基础 一切深度学习都离不开数学，图神经网络也不例外。为了更方便地理解GNN，这里给出一些相关的数学概念。
线性代数 ：在计算机科学、机器学习领域，线性代数广泛使用。想要对机器学习有深入的理解，就必须对线性代数有个透彻的了解。
概率论 ：不确定性在机器学习领域无处不在，所以我们需要使用概率论来量化和处理不确定性。
图论 ：图是GNN的基础（这不是废话吗），所以想对GNN有个全面的了解，基本的图论知识是必须的。
神经网络基础 神经网络是机器学习中一个最重要的模型。和人的大脑相似，人工神经网络的结构由许多相互连接的 神经元 组成。
神经网络的训练（学习），一般步骤是：
最终，训练好的神经网络模型把“学来知识”以数字化形式存储到这些神经元的连接中。
很多学者试图改变神经网络的学习方式（不同的算法或结构），来获得更通用的神经网络模型。
开放性问题 虽然GNN已经在很多领域获得了巨大成功，但GNN还是一些情况下无法提供满意的解决方案。
所以在这里会列出一些开放性问题的方向：
浅层结构 ：神经网络之所以能够获得很好的性能，一个原因在于其可以堆叠更多网络层，使用更多的参数来学习；但是图神经网络却总能只有几层结构，比如深层GCN会导致过平滑问题（就是所有的节点都是差不多的值）。虽然已经有DeepGCN这样的模型，但是更深的GNN仍然是一个已知的挑战。
动态图 ：静态图是稳定的，所以我们可以对其进行建模；但是动态图引进了结构变化。当节点/边动态地出现或消失，但GNN并不能很好的处理。相关的研究仍在进行，相信这会成为通用GNN的稳定性、可扩展性的里程碑。
非结构化场景 ：虽然已经有GNN应用在非结构化场景中，但并没有很好的方法来从原始数据中生成通用图。因此找到更好的图生成方式，能够使得GNN的适用领域更加广泛。
可扩展性 ：如何把图嵌入算法应用在大规模网络（社交网络、推荐系统）中是一个难题，GNN也不例外。GNN的扩展性是一个待解决的问题，因为很多GNN的核心算子都需要耗费大量的计算资源。比如说：
（1）图数据不是规范的欧几里得数据，每个节点都有它自己的不一样邻接节点，所以batches的方式并不适用；
（2）当有数百万个节点和边时，计算图拉普拉斯算子也很困难。
一个算法的可扩展性决定了这个算法是否可以应用在实际生产中。
应用场景 在这里，给大家展示GCN应用的几个场景。其中：
结构化场景 ：数据是天然的图，数据之间有明确的关系结构，比如说物理系统、分子结构、知识图谱等。
非结构化场景 ：数据没有明确的关系结构，比如说图像、文本。一般来说有两种方式来把GNN应用在非结构化场景。
整合其他领域的结构化信息来提高性能。比如使用知识图谱的信息来增强图像的 zero-shot 问题；
先推断或者假设非结构化场景中的关系结构，然后用GNN来解决相关问题。比如把文本变成图。
其他场景 ：除了上面两者，还有很重要的GNN应用场景，比如说图生成模型、图的组合优化等。
开放资源 很多学者和机构发布了许多与图相关的任务，以测试各种GNN的性能。这些任务一般都会提供数据集。所以按照任务分类，可以把数据集分成以下几类：
原始GNN是应用在带标签信息的节点和无向边的图上，这是最简单的图结构。但是世界上有很多不同种类的图，而这就要求不同的GNN来处理。
这里介绍几种不同种类的图：
有向图 ：无向边可以当作节点中存在两个有向边。但有向边能够比无向边带来更多的信息。比如说知识图谱中就用到了有向边，来确定父项和子项。
异构图 ：异构图是指存在几种不同类型的节点。处理异构图最简单的方法是把节点的类型视为节点特征的一部分，拼接到节点原有的特征上。
带边信息的图 ：这一类图的边会有额外的信息，这一类图有两种处理方式：
把这类图拆分成二部图，带信息的边变成带信息的节点，最终变成：开始节点-边节点-结束节点。
动态图 ：动态图同时处理静态图结构和动态输入信号。有两种处理方法：
DCRNN、STGCN等工作先用GNN处理图的空间信息，然后输出到 seq2seq 模型或者CNN模型来进一步处理。
Structural-RNN 和 ST-GCN 同时处理图的空间信息和时序信息。他们把时序关系当成一种静态边，转化成静态图，这样就能用传统的GNN来处理。
多维图 ：多维图指的是节点之间有多种关系。形成一个多维度的图（或者叫多视角图、multi-graph）。而这多种关系并没有明确说是互相独立的，所以直接用“一维图”来处理是不恰当的。
多维图的早期工作主要集中于社区检测和聚类。最近工作则采用改良过的GCN、或者把多维图降维到一维图、或者把节点嵌入算法扩展到多维图中来处理多维图。
传播类型 GNN的概念是从2004年开始的，为了简单，我们讨论的模型从2009年Scarselli的那篇论文《The graph neural network model》开始，这是一个扩展已有的神经网络来处理图数据的方法。原始GNN指的是这篇论文的图神经网络。虽然原始GNN很强大，但依然有很大的限制：
计算效率低 。需要不断迭代更新节点隐藏层来获得不动点（the fixed point），而这一过程计算效率不高。
学习能力受限 。原始GNN在迭代中共享同一参数，而大多数的神经网络在不同层使用不同的参数。
难以编码边上的信息 。原始GNN并不能很好处理边上的信息，比如说知识图谱中多种类型的边。
有不能区分节点的情况 。如果我们想要节点特征而不是图特征，如果在迭代次数过多的情况就不适合使用不动点（The fixed points），因为不动点的特征分布会变得过于平滑而没法很好地区分每个节点。
The fixed point，不动点、固定点。来自巴拿赫不动点定理(Banach's Fixed Point Theorem)。
从原始GNN开始，衍生了图卷积网络、图递归网络、图注意力网络、图残差网络等。
图卷积网络 ：旨在将卷积推广到图域。在这个方向上的进展通常被归类为 spectral方法 和 spatial方法。
图递归网络 ：把RNN的门控机制应用在节点传播上，以突破原始GNN的一些限制，提高图上长距离信息的传播效率。
图注意力网络 ：注意力机制，会为当前节点每一个邻接节点分配不同的注意力分数，以识别更重要的邻接节点。
图残差网络 ：使用skip connections来解决超过3层的图卷积层会引入噪音导致效果反而会变差的问题。
训练方法 由于原始GNN在训练和优化方面存在一些缺陷，所以就衍生了多种训练方法：
采样方法 ：通过对邻接节点进行采样，以减轻训练成本。
层次pooling ：对大型图来说，一般会有丰富的层次结构信息，会对 节点/图级别 的分类有提升效果。通过类似计算机视觉的pooling的方法，来获得更丰富/通用的特征。
无监督训练 ：把 自动编码器（Auto-Encoder, AE）引入到图域上，用来无监督地训练获得低维度的节点特征。
数据增强 ：通过 Co-Training 和 Self-Training 的方法来扩大训练数据集，以改善卷积核局部性缺陷和标签数据不足的问题。
Co-Training 方法可以找到训练数据中的最近节点。
Self-Training 方法则类似于 boosting算法。
通用架构 除了不同种类的GNN模型外，几个通用框架的提出，将不同类型的模型整合到一个框架中。比如：
信息传递神经网络 ：Message Passing Neural Network(MPNN) 定义了一个统一框架，概括了几种 GNN 和 GCN 方法；
非局部神经网络 ：Non-Local Neural Network(NLNN) 是用来解决计算机视觉任务的，概括了几种自注意力方法；
图网络 ：Graph Network (GN)的提出，则统一了MPNN和NLNN及其变体（Interaction Networks、Neural Physics Engine、CommNet、structure2vec、GGNN、Relation Network、Deep Sets、Point Net）
小调查
做一个小小的调查，看完上文后，请告诉我你更希望了解GNN的哪一部分，这样我就能为每个部分分配不同的权重。谢谢。
