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
图采样技术 (GraphSAINT, ShaDow-GNN)
这部分内容有帮助吗？
- ShaDow-GNN: Shadow-Graph Neural Network for Anomaly Detection, Jia Li, Shiqi Zhang, Peng Gao, Jundong Li, Liang Zhao, 2021 Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining (KDD) (Association for Computing Machinery (ACM)) DOI: 10.1145/3447548.3467264 - 介绍了ShaDow-GNN，侧重于局部、定制化的子图构建，以实现高效和可扩展的GNN计算。
- Sampling-based Algorithms for Scaling Graph Neural Networks: A Survey, Bo Xie, Guangyin Sun, Xingquan Zhu, and Jianxun Liu, 2022 IEEE Transactions on Knowledge and Data Engineering, Vol. 35 (IEEE Computer Society) DOI: 10.1109/TKDE.2022.3175317 - 全面概述了用于扩展GNN训练的各种采样策略，包括子图采样。