学习PGL课程：图卷积网络GCN、图注意力网络GAT

一、GCN

什么是图卷积

不同的地方在于，图像像素点周围的像素个数通常是固定的，而图结构上某个节点周围的节点数是不固定的。

图卷积网络计算公式

（1）邻接矩阵解释

（2）度矩阵：表示节点与之相连节点的个数(包括自环)

（3）H(l)：表示第l次迭代的节点特征，节点特征向量或矩阵。

对公式进行简化后：

 

 

 因此AH表示为节点的信息传递。

GCN中如何衡量邻居的重要性？

答案就是度矩阵。

  怎么用多层网络完成节点分类任务？

  

 σ就是DNN中的激活函数，W是训练学习的权重参数。

 最后将得到的节点最终表示H，通过classifier进行标签分类。进行预测。

 二、GAT

 αij的计算方法：将i、j两个节点的向量加权后concat在一起>>然后通过一个网络(aT)计算相关性。>>然后激活函数LeakyReLU>>然后softmax归一化。

  PGL中怎么实现attention的特征聚合？

 多头attention特征聚合方法：

 三、Message Passing

就是指消息的发送；消息的接收。

 思考下面1和2问题，F各应该是什么函数？

  问题一：

 问题二：

 问题三：

在gnn网络训练中，半监督训练指的是：

计算损失函数时，只计算带有label的例子，如train_loss = F.nll_loss(logp[train_idx], labels[train_idx])，
train_idx是经过label的数据。