A tutorial of Graph Neural Network, including PPT and ipynb file. We compared GNN with machine learning method SVM and classify neural network MLP. And analyse the different message propagate methods (like GCN, mean and sum) and the impact of the removal ratio of edges.
教程适用场景，个人学习与组会分享。所有内容均可在main.ipynb中获取, main.py则将main.ipynb所有代码汇总，PPT导引思路。
使用torch实现三种信息传播过程。使用Cora引文数据集进行实验，探索了删除边的比例对模型分类的影响，发现删除的边的比例越多，模型表现越差，最后将退化为MLP模型所表现出来的分类性能。
-
导入数据与处理 (使用引文网络Cora数据集)。
-
SVM 进行分类任务
-
MLP 进行分类任务
-
GCN 进行分类任务
GCN 消息传播
$\hat{A} = A + I, D_{ii} = \sum_j{\hat{A}_{ij}}, Z = D^{-\frac{1}{2}} * \hat{A} * D^{-\frac{1}{2}}$
mean 消息传播
$\hat{A} = A + I, D_{ii} = \sum_j{\hat{A}_{ij}}, Z = D^{-1} * \hat{A} $
sum 消息传播
$\hat{A} = A + I, Z = \hat{A} $
-
随机删除边
- 随机丢弃边，设置为 [0.1, 0.3, 0.5, 0.7, 0.9]
