图神经网络的种类很多，包括图卷积网络 GCN、图注意力网络 GAT、图自编码器 GAE 等。 图 卷积神经网络 网络 Graph Convolutional Network (GCN) 最早是在 2016 年提出，2017 年发表在 ICLR 上。

图模型总体上可以分为两大类：一是 random-walk游走类模型，另一类就是GCN、GAT等卷积模型了。 下面就自己学习 卷积图模型 过程的一些模型GCN、GAT、GraphSAGE 及疑问总结一下，欢迎交流学习。

本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。 “近年来， 深度学习 领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。 GNN处理非 结构化数据 时的出色能力使其在网络 数据分析 、 推荐系统 、物理建模、 自然语言处理 和图上的组合优化问题方面都取得了新的突破。 图神经网络有很多比较 …

不仅会对谱域图卷积公式做更通俗易懂的空域解释，还会深入剖析两个颇具影响力的空域图卷积模型——图注意力网络（GAT）和GraphSAGE。 通过这些内容的展开，希望为那些想深入了解空域 图卷积神经网络 的读者提供一个全面且细致的入门指南。 这些模型不仅对理解图结构数据中的复杂模式至关重要，也为图卷积神经网络的实际应用提供了必要的理论基础和技术支撑。 传统的卷积神经网络，是如何工作的呢？ 在卷积神经网络（CNN）中，使用卷积核或过滤器对数据进行 …

空域GCN-图表注意力网络（GAT） 在许多基于序列的任务中，注意力机制已经成为最先进的技术，例如机器翻译和学习句子表征。

本篇博客从图神经网络（GNN）的动机与模型，图卷积网络（GCN）的模型详解与公式推导引入，重点介绍图注意力网络（GAT）的目标函数推导，模型解析，并使用不同框架复现GAT论文实验，对比分析结论与论文结果，并在最后补充一定的GAT推广与优化（内附Python ...

1 天前 · GAT：在 GAT 层中，除了与 GCN 类似的特征转换之外，它还计算每对连接节点的注意力系数。 这涉及几个额外的矩阵乘法和一个 SoftMax 操作。

2019年10月30日 · Graph attention networks 在基于GCN模型将深度学习处理图模型的基础上引入attention思想去计算每个节点的邻居节点对它的权重，从而达到从局部信息可以获取到整个网络整体信息却无需提前知道整个网络的结构，同时通过堆叠这些隐藏自注意层能够获取临近点的特征 ...

GAT：参数量比GCN多，也是full-batch训练；只用到1-hop的邻居，没有利用高阶邻居，当利用2阶以上邻居，容易发生过度平滑（over-smoothing）；

2023年1月8日 · GCN的基本思想： 把一个节点在图中的高纬度邻接信息降维到一个低维的向量表示。 GCN的优点： 可以捕捉graph的全局信息，从而很好地表示node的特征。