概述
消息传递深度限制了一次前向传递中可以影响节点的图跳数；模型行为取决于架构、图和任务。
深入探讨
在 L 层消息传递 GNN 中，信息最多可以传播 L 个图跳，因为每一层都是从直接邻居聚合而来。过度平滑描述了一种故障模式，其中重复传播使节点嵌入变得越来越相似；它依赖于架构和设置，而不是每个 GNN 不可避免的收敛。 GraphSAGE 学习未见过节点的聚合函数，而原始 GCN 使用对称度归一化邻接传播。分子消息传递将原子和键表示为图节点和边。
现实世界的实施
分子消息传递论文将原子表示为节点，将键表示为边，以进行分子特性预测。
GraphSAGE 研究归纳节点表示，可以使用邻域特征计算看不见的节点。
GCN 和 GAT 论文提供了度归一化传播和学习邻居注意力的独特示例。
深度消息传递可能会在某些架构中产生过度平滑，其中节点表示变得难以区分。
图神经网络的未来
这些引用的论文建立了具体的图形学习方法和评估任务。他们并没有证明 GNN 的性能广泛优于其他模型系列；任何比较都应该命名数据集、任务和基线。
付诸实践
为什么这很重要
- 更清晰的判决. 它可以帮助您将清晰的技术声明与营销语言分开。
- 成本与预算. 在花费金钱或时间之前，您可以提出更好的实施问题。
- 团队与工作流程. 具有共同理解的团队可以做出更好的产品、政策和学习决策。
留意
- 不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
- 基准测试可能看起来很强大，但实际性能却参差不齐。
- 忽视数据质量和评估计划通常会产生脆弱的结果。
后续步骤
- 从您需要的结果的简单语言定义开始。
- 在测试之前选择一种成功指标和一种失败条件。
- 使用代表性数据运行小型试点，而不是完善的演示集。
- 记录图神经网络在哪些方面有帮助以及在哪些方面更简单的方法更好。
不断探索
常见问题
什么是图神经网络？
图神经网络通过跨边缘交换和聚合信息来学习图结构数据。消息传递深度限制了一次前向传递中可以影响节点的图跳数；模型行为取决于架构、图和任务。
大多数图神经网络的核心计算机制是什么？
GNN 的工作原理是让每个节点收集并聚合来自邻居的消息，然后更新自己的表示，如此跨层重复。
为什么 GNN 的邻居聚合函数必须是排列不变的？
由于节点的邻居没有规范顺序，因此 sum、mean 或 max 等操作可确保输出不依赖于邻居的列出方式。
深度 GNN 中的“过度平滑”指的是什么？
在某些深度消息传递 GNN 中，过度平滑是一种可能的故障模式：随着层的堆叠，节点嵌入可能会变得越来越相似。对于每个架构、图或任务来说，这并不是不可避免的。
图注意力网络与基本 GCN 层有何不同？
GAT 学习邻居的注意力权重。标准 GCN 使用度归一化邻接传播规则，而不是统一的非归一化权重。
在应用于分子的 GNN 中，节点和边通常代表什么？
引用的分子消息传递论文将原子表示为节点，将键表示为边缘；这是一个应用示例，而不是广泛宣称 GNN 优于其他方法。