在上一章图表示和消息传递的基本原理之上，本章关注特定的高级图神经网络架构。我们将考察旨在提升表达能力、有效处理加权边以及借鉴其他成功深度学习方向中思路的模型。

在这里，你将学习：

• 图卷积网络（GCN）的详细分析，将其谱域推导与实际操作联系起来。
• 图注意力网络（GAT），侧重于自注意力机制 $a_{ij}$ 如何自适应地加权邻居信息，包括多头注意力策略。
• Transformer 架构在图数据上的应用（图 Transformer），包括通过位置编码加入结构信息的方法。
• 高级谱域方法，如 ChebNet（其使用图滤波器 $g_\theta(\Lambda) \approx \sum_{k=0}^K \theta_k T_k(\tilde{\Lambda})$ 的多项式逼近），以及 CayleyNets。
• 精巧的空间域 GNN，包括对 GraphSAGE 的扩展和主邻域聚合（PNA）等技术。
• 对这些架构进行比较分析，评估其性能特点、可扩展性和理论能力。

本章包含实践实现指导，例如构建 GAT 层，以巩固对这些高级模型的理解。