DCNN
主要思想：
- 这是一篇基于空间域的图神经网络，聚合方式通过采样（hop）1~k 阶的邻居并同 self 使用 mean 的方式得到新的 feature-vector
- 作者将不同的采样距离并聚合的特征堆叠成一个矩阵，这个矩阵才是最终一个 node(or graph/edge) 的 feature-representation
过程图示1
下图展示过程应该更清晰：
上图就是需要输入的图结构以及节点的特征
对 \(v_{3}\)节点 进行一阶邻居【\((d(3,.)=1)\)】信息聚合，并同自己进行求 mean ，其中 \(w_3^{0}\) 就是对应的一阶的训练的 parameters。类似的，还需要处理其他的剩余节点。
通过对5个节点分别进行处理，即经过一层 hidden-layer，输出结果为
类似的，hop 二阶。是在原图的基础上，而不是在已经经过一层的基础上处理
同理将距离变成二阶，就能一样聚合到二阶邻居信息。得到二阶，三阶... k阶
其中的矩阵就是对同一个node的一阶二阶...信息（文中称为diffusion）
如果需要做一个节点分类，则将该矩阵拿出来，再同 \(w\) 进行 element-wise(or 全连接？) 即可，得到预测的分类
过程图示2
论文内容
以上过程应该蛮好理解的，可是论文其实可以写的更明白，可是参数和图示写的不怎么明白
- 有图 \(\mathcal{G}=\{G_t | t \in 1...T\}\)，其中 t 表示graph个数，因为论文也适用于graph-classification
- \(\mathcal{G_t}=(V_t, E_t)\) ，也用 \(\mathcal{X_t}\) 表示
- graph中 \(N_t\) 个节点，每个节点特征维数 \(F\)
- \(P_t\) 为归一化的度矩阵，维数\(N_t*N_t\)，可以理解成概率，或者 mean
其中graph可以是 带/不带 权重，有/无向图
PS 作者提出该DCNN 可适用于 node/graph/edge-classification，但是实验却只在node上表现还可以，graph上不行，edge甚至没做
我只以node-classification为例
通过一次计算的公式：
- t 表示某一个graph
- i 表示节点序号
- j 表示第几阶（hop）
- k 表示计算节点的某个维数
通过矩阵表示则：
最后的分类，可适用argmax或者softmax（个人觉得可以全连接 或者 element-wise）
实验结果和缺点
在node-classification上尚可，edge的实验却没做。实验在graph-classification上表现极差——因为我看作者通过将所有节点求和并平均了一下来表示graph-feature，着就让我想到了GNN上限的一篇论文，即sum的操作是优于mean的【当然对graph-classification了解不多，个人臆想】，mean反而更不容易区分开不同的graph了
这点没看懂，可能需要看更多论文来理解（ε=ε=ε=┏(゜ロ゜;)┛
杂谈
GNN论文看的也不是很多，但是有个奇怪的想法，就是利用edge进行aggregate就算是利用了graph的structural-info 了吗？
参考文献
【1】https://zhuanlan.zhihu.com/p/76669259
【2】https://media.nips.cc/nipsbooks/nipspapers/paper_files/nips29/reviews/1073.html
【3】https://www.youtube.com/watch?v=5eTJ6yxtU5s
【4】https://www.youtube.com/watch?v=eybCCtNKwzA