摘要： 本文带大家从另一个角度来理解和认识图卷积网络的概念。
本文分享自华为云社区《技术综述十二：图网络的基本概念》，原文作者：一笑倾城。
基础概念
笔者认为，图的核心思想是学习一个函数映射 f(.)f(.)，借助该映射，图中的节点可以聚合自己的特征与邻居节点的特征，从而生成该节点的新特征表示。
Figure 1. 图的一般推理过程[1]
图神经网络 Vs. 卷积神经网络
如图 2 所示，卷积神经网络的输入数据一般是规则的矩阵类型数据，例如图片。每个节点和其它节点的空间关系是固定的。而图神经网络的输入数据一般表现为不规则的拓扑结构，节点与节点的关系非常复杂，节点间的空间关系一般不做约束，节点间是否存在连接以及连接的数量不做约束。复杂的网络还涉及到连接的方向和子图等概念。
Figure 2. 图网络和卷积网络[1]
如图 3 所示，如果将图的每个节点等价视为图像中的每个像素，其实，图的工作过程可以类比 CV 中的经典问题：semantic segmentation。
Figure 3. semantic segmentation[2]
图的基础组件及其实现
图在工作过程中，主要需要处理的问题有两个，一个是节点信息的提炼方式；另一个是邻近节点的搜索方式。整理如下：
邻近节点的搜索方式:
-
每个节点考虑全部其它节点
-
基于欧氏距离，只搜索近邻 N 个节点
节点信息的提炼方式:
-
MLP+Max Pooling 直接进行特征融合
-
基于 attention，对周边节点进行加权平均
-
普通 attention
-
Self-attention (Bert/Transformer)
Figure 4. 图节点信息的提炼过程
总结
最后，图卷积和卷积之间的一些对比整理在图 5 中。我们可以观察到一些有趣的现象，其实在卷积网络中，也有邻近节点搜索方式的一些工作，例如空洞卷积和可变形卷积。
Figure 5. 图网络和卷积网络工作方式比较
【参考文献】
[1] Wu, Zonghan, et al. “Acomprehensive survey on graph neural networks.” IEEE transactionson neural networks and learning systems (2020).
[2] Long, Jonathan, Evan Shelhamer, and TrevorDarrell. “Fully convolutional networks for semantic segmentation.” Proceedings of the IEEE conference on computer vision and patternrecognition. 2015.
