1.拉普拉斯矩阵

D是度矩阵，A是邻接矩阵

L的第二个公式常用

L的特征值>=0

2.图的整体，节点，边都能代表一个分类/回归问题。

3.GNN的感受野

N-Hop Neighbors，某一点的n阶邻居。n步以内能到达的点。

4.残差连接

最后对图结果的处理比较多样，比较自由。

5.cnn与gnn

类比体会感受野和特征学习的过程，gnn比较随意 但也是针对某点的邻居进行学习。

六、特征分解

GCN：有时候只根据邻居不能准确预测，还要加上自己的信息。

GNN概述：

对每个边点图，进行编码然后学习。

通过池化，聚集各部分特征（sum，mean，avg），信息传递？？？图的连通信

消息传递步骤：就是只有边/点的信息

1.对于每个结点，收集所有邻接点的embedding。（这应该能加好几层吧）

2.aggregate所有embedding

3.最后放到神经网络

这些步骤是利用图形连通性的关键。我们将在 GNN 层中构建更精细的消息传递变体，从而产生具有更高表现力和功率的 GNN 模型。

消息传递的属性越多，模型性能越好。

GNN的研究前沿在于“如何构建图”，为图注入额外的结构或关系。添加更多的消息传递的属性。可以考虑在结点之间添加额外的空间关系。