最新《图神经网络理论动机》概述，27页pdf

在本章中，我们将访问图神经网络(GNNs)的一些理论基础。GNNs最有趣的方面之一是，它们是根据不同的理论动机独立开发的。一方面，基于图信号处理理论开发了GNN，将欧氏卷积推广到非欧氏图域[Bruna et al.， 2014]。然而，与此同时，神经信息传递方法(构成了大多数现代GNN的基础)被类比提出，用于图模型中的概率推理的信息传递算法[Dai等人，2016]。最后，基于GNN与weisfeler - lehman图同构检验的联系，许多研究对其进行了激发[Hamilton et al.， 2017b]。

将三个不同的领域汇聚成一个单一的算法框架是值得注意的。也就是说，这三种理论动机中的每一种都有其自身的直觉和历史，而人们所采用的视角可以对模型的发展产生实质性的影响。事实上，我们推迟对这些理论动机的描述直到引入GNN模型本身之后，这并非偶然。在这一章,我们的目标是介绍这些背后的关键思想不同理论的动机,这样一个感兴趣的读者可以自由探索和组合这些直觉和动机,因为他们认为合适的。