PyTorch Geometric 一个几何深度学习库

Fast Graph Representation Learning with PyTorch Geometric

GNN

GNN图神经网络可能解决深度学习中无法进行的因果推理关系。
第一次描述图结构是在09年The graph neural network model (Scarselli, F., et al., 2009) [1] 这篇论文中提出。
GNN喂入的是图，是非欧氏数据。目标是学习到结点的邻居的状态嵌入(有可能是结点标记)，用于节点分类。
图的两个基本特征：每个结点都有特征信息 且每个结点都有结构信息
用于处理不规则结构化输入数据（如图、点云、流形）。通过利用稀疏 GPU 加速、提供专用的 CUDA 内核以及为不同大小的输入样本引入高效的小批量处理，PyTorch Geometric 实现了很高的数据吞吐量。
适用于化学分子、推荐系统。
存在缺点：计算量过大
所以目前更加广为人知的是GCN

动机

符号主义：知识图谱
连接主义：深度学习
行为主义：强化学习

GN框架

计算单元是GN block 包含三个update函数和三个aggregation聚合函数
更新函数一般使用神经网络 聚合函数一般使用逐点求和之类