图(graph)是⼀种数据结构，图神经⽹络(GNN)是深度学习在图结构上的⼀个分⽀。常⻅的图结构包含节点(node)和边(edge)，其中，节点包含了实体(entity)信息，边包含实体间的关系(relation)信息。现在许多学习任务都需要处理图结构的数据，⽐如物理系统建模(physics system)、学习分⼦指纹(molecularfingerprints)、蛋⽩质接⼝预测(protein interface)以及疾病分类(classify diseases)，这些都需要模型能够从图结构的输⼊中学习相关的知识。
GNN起源
GNN起源于两种动机，⼀种动机来⾃于卷积神经⽹络(CNN)，另⼀种动机来⾃于图嵌⼊(graphembedding)。第⼀种来源于CNN，CNN能够提取出多尺度的局部空间特征，并将它们进⾏组合来构建更加⾼级的表⽰(expressive representations)。如果深⼊研究CNN和图结构的特点，可以发现CNN的核⼼特点在于：局部连接(local connection)，权重共享(shared weights)和多层叠加(multi-layer)。这些同样在图问题中⾮常试⽤，因为图结构是最典型的局部连接结构，其次，共享权重可以减少计算量，另外，多层结构是处理分级模式(hierarchical patterns)的关键。然⽽，CNN只能在欧⼏⾥得数据(Euclideandata)，⽐如⼆维图⽚和⼀维⽂本数据上进⾏处理，⽽这些数据只是图结构的特例⽽已，对于⼀般的图结构，可以发现很难将CNN中的卷积核(convolutional filters)和池化操作(pooling operators)迁移到图的操作上。
本书目录
内容节选
