趋近智
高级图神经网络：架构与实践
章节 1: 重温图神经网络基础
机器学习中的图表示
消息传递框架再看
图神经网络的谱图理论基础知识
图信号处理思想
表达能力与WL测试
章节 2: 高级图神经网络架构
图卷积网络 (GCN)
图注意力网络 (GAT)
在GAT中实现多头注意力
图Transformer
进阶谱GNN (ChebNet, CayleyNets)
进阶空间GNNs (GraphSAGE变体, PNA)
比较架构选择与权衡
动手实践：GAT层实现
章节 3: 应对GNN训练中的复杂性
过平滑问题
缓解过平滑的技术
过度挤压问题
处理大型图：可扩展性挑战
邻域采样技术 (GraphSAGE)
图采样技术 (GraphSAINT, ShaDow-GNN)
子图与聚类方法 (Cluster-GCN)
图神经网络的优化策略
实践：应用可扩展GNN训练
章节 4: 高级GNN任务与技术
处理异构图 (RGCN, HAN)
动态和时序图的建模
结合GNN的知识图谱嵌入
图生成模型
图上的自监督学习
图池化与读出函数
动手实践：异构图节点分类
章节 5: GNN实现、工具和优化
深度图库 (DGL) 高级功能
PyTorch Geometric (PyG) 高级功能
GNN的高效稀疏矩阵操作
GPU加速与内存管理
图神经网络的调试与可视化
基准测试与性能调优
图神经网络在生产系统中的应用
实践操作：优化GNN的实现
图信号处理思想
这部分内容有帮助吗？
- The Emerging Field of Signal Processing on Graphs: Extending High-Dimensional Data Analysis to Networks and Other Irregular Domains, David I. Shuman, Benjamin Ricaud, Pierre Vandergheynst, 2013 IEEE Signal Processing Magazine, Vol. 30 DOI: 10.1109/MSP.2012.2235192 - 介绍图信号处理核心概念（包括图拉普拉斯算子、图傅里叶变换和谱图滤波）的开创性综述。
- Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges, Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković, 2021 (MIT Press) - 一本全面和现代的教科书，为几何深度学习提供了统一的理论框架，广泛涵盖图信号处理作为图神经网络的基础。
- Spectral Networks and Deep Locally Connected Networks on Graphs, Joan Bruna, Wojciech Zaremba, Arthur Szlam, Yann LeCun, 2014 ICLR 2014 Workshop DOI: 10.48550/arXiv.1312.6203 - 一项开创性工作，引入了谱图卷积，将图信号处理概念与图上的深度学习架构连接起来。
- Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering, Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, 2016 Advances in Neural Information Processing Systems 29 (NeurIPS) - 引入切比雪夫多项式来有效近似图卷积滤波器，实现局部化和可扩展的谱图神经网络（ChebNet）。