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
图神经网络的调试与可视化
这部分内容有帮助吗？
- The Devil Is in the Details: A Framework for Understanding and Improving Graph Neural Networks, Chuang Zhang, Donglin Song, Chenyang Huang, Kaili Shi, Cheng Li, 2021 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.2007.03964 - 讨论了 GNN 实现和训练中的常见问题与实践，为调试训练过程和处理过平滑等问题提供了有价值的见解。
- GNNExplainer: Generating Explanations for Graph Neural Networks, Zhitao Ying, Dylan Bourgeois, Jiaxuan You, Marinka Zitnik, Jure Leskovec, 2019 Advances in Neural Information Processing Systems, Vol. 32 - 介绍了一种通过识别重要图结构和特征来解释 GNN 预测的方法，对于可视化和理解 GNN 行为至关重要。
- CS224W: Machine Learning with Graphs, Jure Leskovec, 2024 (Stanford University) - 提供关于实现、调试和理解图神经网络的讲义、作业和实践建议，是 GNN 实际开发的教育资源。