一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第2天，点击查看活动详情。
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。
对一个经典的图神经网络综述进行学习。记录其中的要点。
首个GNN的缺陷：
- 首先，对于不动点，迭代更新节点隐藏状态效率较低。现有优秀模型的每一层都不一样，如果放宽不动点的假设，我们可以设计一个多层的GNN来得到一个稳定的节点及其邻域的表示。GNN在迭代中使用相同的参数，而大多数流行的神经网络在不同的层中使用不同的参数，这是一种层次特征提取方法。节点隐藏状态的更新是一个循序渐进的过程，可以从GRU和LSTM等RNN内核中受益。
- 没有考虑不同边点信息。为边设计学习点参数。
- 第三，在边缘上还存在一些信息特征，这些特征在原始GNN中无法有效建模。此外，如何学习边缘的隐藏状态也是一个重要的问题。最后，如果我们专注于节点的表示而不是图的表示，就不适合使用不动点，因为在不动点上的表示的分布在值上会非常平滑，用于区分每个节点的信息也会比较少。 不动点的假设更多是对图有效，对节点分类不行！
图神经网络的变体 图类型以及建模不同类型图方法。 图的不同传播方式。 图的不同更新方式。传播步骤和输出步骤至关重要 在模型中获取节点的隐藏状态 （或边缘）。 正如我们在下面列出的，有几个主要的修改 在原始图的传播步骤中 神经网络模型，而研究人员通常遵循 输出中的简单前馈神经网络设置。
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。
