论文阅读笔记：The Graph Neural Network Model
论文来源
该期刊发布于IEEE Transactions of Neural Networks, Vol. 20, No. 1（https://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber=4740185&punumber=72 "Volume: 20 Issue: 1"）
背景
- 图神经网络模型自身拥有广泛的应用前景，在我的个人研究中聚焦于交通流量预测问题的基础上，则主要限于深度学习领域展开分析。
- 图结构由节点node以及连接边edge构成的数据结构。
图的一些应用
介绍
在机器学习中，我们首先假定存在一个映射
,将图和其中一个节点映射为一个向量
对于图中心类的应用场景，在这种情况下，该映射仅依赖于图本身；而对于节点中心类的应用场景，则基于节点。
在本研究领域中开发一种适用于神经网络系统的解决方案，并使其既能满足图数据处理的需求又能应对节点数据处理的任务。通过整合两种不同的深度学习架构形成统一的图神经网络框架。
图神经网络的模型
| N | 节点集合 |
|---|---|
| E | 边集合 |
|节点n的信息|
|
|节点n1与节点n2所连接的边的信息|
|
|节点n所有相邻节点|
|
|单射函数|
|
|节点n所有相邻的边|
|
|图、节点对|
模型
使用式(1)进行模型的更新，其中x表示隐藏状态，o表示进行的输出。
我们依据式中所给参数观察到，在处理一个特定节点n时将利用其自身特性、连接边的相关信息以及关联节点的状态等多方面因素作为输入特征，并通过映射函数f将其转化为隐含状态表示。接着，在计算该节点的输出值时，则采用隐含状态与该节点属性的综合作为输入特征，并借助映射函数g进行计算得到最终结果。
计算
假设有一个如图所示的图结构用于执行某种操作或运算任务来完成特定目标或结果。当一个人熟悉深度学习知识时…通常用来表示权重参数用于描述模型中的关系或连接强度这一特性具有重要的意义或者作用…在这里…采用前馈神经网络（FNN）来实现这一映射关系
具体实施
在实现该过程的具体步骤中，在完成特定任务时，则定义了一个时间序列T。针对不同的时间步t，则采用了相应的计算方式并配以相应的图形说明。此时，在编码环节中采用循环神经网络模型来完成数据处理。
学习算法
在深度学习领域中，涉及两种关键的传播机制——前向传播和反向传播——旨在通过系统地调整模型参数来优化神经网络的权重配置，并最终提高预测准确性。这些步骤无需进一步阐述
实验结果
（懒得看，总之肯定是更好就对了）
总结
在机器学习与深度学习的发展进程中，在语音识别技术、图像识别以及自然语言处理均取得了显著的进步。然而，在这类数据具有明确的结构特征的数据类型上虽然取得了一些成果但现实中存在许多复杂事务无法直接映射为传统的序列或网格数据模型。例如，在社交网络领域中 交通网络领域以及生物/化学分子结构研究中 经常会遇到难以用传统形式表达的问题为了能够有效处理和分析此类信息的内在关系与特征 本论文提出的图神经网络模型通过创新性的方法成功地将复杂的图状数据转化为可计算的形式 并在此基础上开展了一系列研究工作 在子图匹配问题 化学分子分类任务以及网页排名算法优化等方面均取得了令人瞩目的实验效果