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
深度图库 (DGL) 高级功能
这部分内容有帮助吗？
- Deep Graph Library (DGL) Documentation, DGL Developers, 2024 (DGL Developers) - 官方文档是DGL API、教程以及其高级功能（包括异构图处理、UDF和可扩展采样技术）的详细说明的综合资源。
- DGL: A Python Package for Graph Neural Networks, Minjie Wang, Da Zheng, Zihao Ye, Quan Gan, Mufei Li, Xiang Song, Jinjing Zhou, Chenglong Li, Jonathan Li, Jiali Yu, Yutong Lu, Rui Zhang, Chuntao Hong, Tianjun Xiao, Haibin Lin, Junbo Li, Zeng Li, Rongchen Li, Wenzhao Lian, Ziyan Zheng, Fei Ye, Chong Chen, John Muradeli, Yi Han, Xiaodong Lin, Lu Guo, Edward Chung, Blaz Skrlj, Jiajie Li, Chengqiang Lu, Pan Li, Jinyang Li, Muhan Zhang, George Karypis, 2019 Advances in Neural Information Processing Systems (NeurIPS) (NeurIPS) DOI: 10.48550/arXiv.1909.01315 - 这篇基础论文介绍了深度图库 (DGL) 框架，详细阐述了其架构和设计原则，这些原则使得GNN的高效灵活实现成为可能，包括本节中讨论的对各种图类型和操作的支持。
- A Survey on Heterogeneous Graph Neural Networks, Shirui Pan, Yuanning Li, Guodong Long, Jing Jiang, Lin Zhu, Chengqiang Lu, 2021 IEEE Transactions on Knowledge and Data Engineering, Vol. 34 (IEEE) DOI: 10.1109/TKDE.2021.3090432 - 这项调查对异构图神经网络 (HGNN) 进行了全面分析，为DGL对异构图的一流支持及其专业模块（如
HeteroGraphConv）提供了背景和理论基础。 - Inductive Representation Learning on Large Graphs, William L. Hamilton, Rex Ying, Jure Leskovec, 2017 Advances in Neural Information Processing Systems (NeurIPS), Vol. 30 (Neural Information Processing Systems) DOI: 10.48550/arXiv.1706.02216 - 介绍了GraphSAGE，这是一个使用邻居采样进行归纳表示学习的框架，是GNN扩展到大型图的基本技术，与DGL的
NeighborSampler直接相关。 - GraphSAINT: Graph Sampling Based Inductive Learning Method, Hanqing Zeng, Hongkuan Zhou, Ajitesh Srivastava, Rajgopal Kannan, Viktor Prasanna, 2020 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1907.04931 - 提出了GraphSAINT，一种用于在大型图上训练GNN的全图采样方法，提供了邻居采样的替代方案，DGL通过
SAINTSampler实现此方法。