https://zhuanlan.zhihu.com/p/76001080
GNN简介
图(graph)是一种数据结构，图神经网络(Graph Neural Network)应该是深度学习在图结
构数据上的一些模型、方法和应用。常见的图结构由节点(node)和边(edge)构成，节点包
含了实体(entity)信息，边包含实体间的关系(relation)信息。现在许多学习任务都需要
处理图结构的数据，比如物理系统建模(physics system)、学习分子指纹(molecular
fingerprints)、蛋白质接口预测(protein interface)以及疾病分类(classify
diseases)，这些都需要模型能够从图结构的输入中学习相关的知识。
GNN起源
GNN起源于两种动机，一种动机来自于卷积神经网络(CNN)，另一种动机来自于图嵌入
(graph embedding)。
第一种来源于CNN，CNN能够提取出多尺度的局部空间特征，并将它们进行组合来构建更加
高级的表示(expressive representations)。如果深入研究CNN和图结构的特点，可以发
现CNN的核心特点在于：局部连接(local connection)，权重共享(shared weights)和多
层叠加(multi-layer)。这些同样在图问题中非常试用，因为图结构是最典型的局部连接
结构，其次，共享权重可以减少计算量，另外，多层结构是处理分级模式(hierarchical
patterns)的关键。然而，CNN只能在欧几里得数据(Euclidean data)，比如二维图片和一
维文本数据上进行处理，而这些数据只是图结构的特例而已，对于一般的图结构，可以发
现很难将CNN中的卷积核(convolutional filters)和池化操作(pooling operators)迁移
到图的操作上。如下图，左图为图像，是比较明显的Euclidean数据，而右图为普通的
graph结构。
另一种动机来源于图嵌入(embedding)，所谓嵌入，就是对图的节点、边或者子图
(subgraph)学习得到一个低维的向量表示，传统的机器学习方法通常基于人工特征工程来
构建特征，但是这种方法受限于灵活性不足、表达能力不足以及工程量过大的问题，词嵌
入常见的模型有Skip-gram，CBOW等，图嵌入常见模型有DeepWalk，Node2Vec等，然而，
这些方法方法有两种严重的缺点，首先就是节点编码中权重未共享，导致权重数量随着节
点增多而线性增大，另外就是直接嵌入方法缺乏泛化能力，意味着无法处理动态图以及泛
化到新的图。
GNN和传统NN的区别
首先，标准的神经网络比如CNN和RNN不能够适当地处理图结构输入，因为它们都需要节点
的特征按照一定的顺序进行排列，但是，对于图结构而言，并没有天然的顺序而言，如果
使用顺序来完整地表达图的话，那么就需要将图分解成所有可能的序列，然后对序列进行
建模，显然，这种方式非常的冗余以及计算量非常大，与此相反，GNN采用在每个节点上
分别传播(propagate)的方式进行学习，由此忽略了节点的顺序，相当于GNN的输出会随着
输入的不同而不同。
另外，图结构的边表示节点之间的依存关系，然而，传统的神经网络中，依存关系是通过
节点特征表达出来的，也就是说，传统的神经网络不是显式地表达中这种依存关系，而是
通过不同节点特征来间接地表达节点之间的关系。通常来说，GNN通过邻居节点的加权求
和来更新节点的隐藏状态。
最后，就是对于高级的人工智能来说，推理是一个非常重要的研究主题，人类大脑的推理
过程基本上都是基于图的方式，这个图是从日常的生活经历中学习得到的。GNN尝试从非
结构化数据比如情景图片和故事文本中产生结构化的图，并通过这些图来生成更高级的AI
系统。

gnn能生小孩再叫我Zzz

答案是C

大师

大师