- 图的基本概念
- graph
- subgraph
- centrality
- neiborhood
- community structure
- graph sampling
- heterogeneous graph
- hypergraphs
- random graph
- dynamic graph
- 机器学习在图上的应用
- spectral graph theory
- graph signal processing
- node-level tasks
- edge-level tasks
- graph-level tasks
- tansductive and inductive learning
- GNN 基本概念
- network embedding
- graph neural network
- graph convolutional network
- message-passing
- readout
- graph adversarial attack
- robustness certificates
本博客是假期入门GNN阅读相关书籍（Graph Neural Networks: Foundations, Frontiers, and Applications）时对一些知识点的整理和汇总。主要目的是方便以后回顾。 图的基本概念 graph
图是点集和边集的集合，用点、边、图特征（node, edge, graph features or attributes or contents )表示信息。
subgraph子图的点集是另一个graph 点集的子集，边集也是该graph 边集的子集。
centrality中心性是一个衡量点的重要程度的度量。一个基本假设是：如果很多重要的节点与该点连接，则该点也很重要。常见的重新性衡量标准有：度中心性，特征向量中心性，介数中心性（betweenness centrality）,贴近度中心性（clossness centrality)。
neiborhood一个节点的k阶邻居（k-order neiborhood or k-step neiborhood）到该节点的最短路径距离为k。
community structure一个community内部连接紧密，但是与外部的节点连接稀疏。
graph sampling从原始图的节点集和边集中挑选子集，可以应用于在大规模图上训练机器学习模型时，避免严重的规模问题。
heterogeneous graph异构图。如果一个图中的节点或边有不同的类别，那么该图被称为异构图。
hypergraphs超图是图的扩展，超图的一条边可以连接任意数量的节点。
random graph随机图通常旨在对观察的图生成的图的概率分布进行建模*（书上的话翻译过来应该是这个意思，但我也没有理解，看了后续内容再理解一下）*。最基本的随机图模型是Eedos-Renyi模型，该模型假设节点集是固定的，每条边是相同的且是独立生成的。
dynamic graph指图中的至少一个元素是随时间动态变化的，例如：增加或删除节点，改变边的权重或者改变节点的属性（attributes）等。如果节点不是动态的，我们称其为静态图（static graph）。
机器学习在图上的应用 spectral graph theory利用线性代数的知识分析和图相关的矩阵（邻接矩阵、拉普拉斯矩阵等），如研究矩阵的特征值或特征向量。
graph signal processing图信号处理（GSP）旨在开发一些攻击来分析由图定义的信号。一个图信号表示有限数据样本的集合，其中一个节点表示一个数据样本。
node-level tasks节点层级的机器学习任务指那些对图的单个节点相关的机器学习任务。典型的节点层级任务的案例有节点分类和节点回归。
edge-level tasks边层级任务指和图中的一对节点有关的机器学习任务。典型的边层级的机器学习任务案例有连线预测。
graph-level tasks图层级任务指和整张图有关的机器学习任务。典型的图层级的机器学习任务有图分类和图特征预测。
tansductive and inductive learning导入学习（transductive learning）指目标示例（target instances）例如节点或边在训练的过程中是可以观察到的，虽然标签可能是未知的。
归纳学习（inductive learning）旨在学习一个可推广到未观察到的实例的模型。
网络嵌入的主要目标是将图中的每一个节点用低维向量表示出来，旨在在嵌入的向量中保护图的结构和其他特征信息。network embedding 也被称为graph embedding 或 node representation learning.
graph neural network指应用在图数据上的神经网络。
graph convolutional network通常指2017年由Kipf 和 Welling提出的网络。偶尔也作为GNN的同义词使用。
message-passing信息传递是图神经网络的一个基本框架，它的重要步骤是，在神经网络的各层中依照图的结构在各节点之间传递信息。普遍采用的理论是，旨在直接相连的节点间传递信息。message-passing 也被称为 graph filters 或 graph convolutions。
readout读出指那些读出图中独立节点的信息，已形成更高层级信息，例如子图、超图等，或者获得整张图的表达的功能。读出也被称为pooling 或 graph coarsening.
graph adversarial attack图对抗攻击通过操纵图结构或者节点特征来获得最差的扰动，使GNN的性能下降。
robustness certificates证明GNN模型的预测值即使在添加了扰动的情况下也没有收到影响。
暑期编程PK赛 得CSDN机械键盘等精美礼品！
