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
子图与聚类方法 (Cluster-GCN)
这部分内容有帮助吗？
- Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks, Wei-Lin Chiang, Meng Qu, Xisen Jin, Stein Lim, Jure Leskovec, S. P. K. Shen, 2019 Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD) (ACM) DOI: 10.1145/3292500.3330989 - 介绍 Cluster-GCN 方法的原始论文，概述了其图分区策略和用于大型图的随机训练方法。
- Semi-supervised Classification with Graph Convolutional Networks, Thomas N. Kipf, Max Welling, 2017 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1609.02907 - 引入图卷积网络 (GCN) 架构，为 GNN 数学更新公式奠定基础。
- A Fast and High Quality Multilevel Scheme for Partitioning Irregular Graphs, George Karypis, Vipin Kumar, 1998 SIAM Journal on Scientific Computing, Vol. 20 (Society for Industrial and Applied Mathematics) DOI: 10.1137/S1064827595287997 - 详细介绍了 METIS 算法，这是一种在 Cluster-GCN 预处理阶段使用的图分区方法。