学习一下斯坦福CS224W的图机器学习（2021年），并做一下学习笔记，主要是研究方向与图神经网络相关。这次是第一次笔记，图片很多都是从斯坦福的PPT里截取的。主要为了之后自己忘了可以快速回顾一下。

1. 介绍

首先，介绍一下什么是图：

简单来说，图是一种描述和分析实体之间关系的通用表达形式。

图的种类也有很多，比如：

事件图、计算机网络图、疾病传播图、食物链图、分子图、地铁路线图。

社交网络图、金融图、沟通图、论文引用图、因特网、神经元网络。

知识图谱、监管网络图、场景图、代码结构图、分子结构图、3D图形。

有些时候图（Graphs）和网络（Networks）的区别是模糊的：

2. 主要问题

• 而我们的主要问题集中在：如何利用关系结构去进行更好的预测？

复杂领域具有丰富的关系结构，可以用关系图来表示。通过显式地对关系建模，我们可以获得更好的性能！是我们的模型预测准确度提高。

3. 深度学习如何应用在图结构中

现代深度学习神经网络适用于简单序列、网格结构，如上图。

然而，图神经网络一般比较复杂：

• 图结构的大小任意。
• 没有空间局部性（网格数据中有上下左右，文本数据中有左右）。
• 大部分情况图神经网络是动态的，节点不是固定的。

所以我们目前的存在一个很大的问题就是：我们怎样才能开发出更广泛适用的神经网络?

我们要做的是大概就是，输入一个图结构数据，经过多层神经网络结构，输出一些预测。而我们要怎样构建一个这样的神经网络结构，去完成这样一个端到端的任务，而不需要人为输入图结构的特征表示。

传统的特征工程将被取代，我们希望给出一写图数据，可以自动生成较好的图数据特征表示，以便用于下游任务。

图神经网络主要作用就是将我们节点映射到一个d维空间，使与该节点在d维空间中相近的节点，在原图中也与该节点相似。主要目标就是学习出来这个f函数。

4. 课程大纲

以上是一些相关的研究，也是接下来要学习的内容。