GGNN：GATED GRAPH SEQUENCE NEURAL NETWORKS

论文

相较于之前的文章，模型最大的修改即为，使用门控循环单元并且将网络的展开循环控制在一个固定的次数。

一个可达模型：

例如网络需要在给定一个图的情况下，判断节点s是否可达节点t:
       模型初始化:
$$\begin{gathered} 设定NodeAnnotations\{\begin{array}{l}{x}_s=[1,0{]}^T\\ x_t=[0,1{]}^T\\ x_v=[0,0{]}^T(v\ne sort)\end{array} \\ 每个节点h_v=[x_v,0]即将nodeannotation填充后，将剩余部分全部设置为0 \end{gathered}$$

       在计算时只需输入s节点的表示作为第一个参数，t的表示为第二个参数，使得传播矩阵在(0,0)位置的值为1即可
       由此，在此模型中我们将节点标签作为附加输入。

GGNN

$A\in R^{D|V|\times 2D|V|}$
$A_{v:}\in R^{D|V|\times 2D}：v在A对应的两列$
$a_v^{(t)}\in R^{2D}$包含从两个方向的边激活
$$\begin{gathered} 等式1是隐藏节点的表示。 \\ 等式2是通过输入和输出边在图的不同节点之间传递信息的步骤，参数取决于边的类型和方向。 \end{gathered}$$

$其中：\sigma (x)=1/(1+e-x)logisticsigmoidfunction,\odot element-wise乘法$

我们最初尝试了一种普通的递归神经网络风格的更新，但在初步实验中，论文发现这种类似GRU的传播步骤更有效。

输出

对于每个节点的输出仍然可以使用函数$o_v=g(h_v^{(T)},x_v)$

对于graph-level的输出可以使用以下方法：

官方实现
github
github