上面讲的求交集的操作，下面扩展一下，看求并集的操作。‎连接查询 + 析取（或）：称为存在正一阶 （EPFO） 查询。我们将它们称为 AND-OR 查询‎.

有监督学习supervise learning：直接给出标签（如一个分子图是药的概率）无监督学习unsupervised learning / self-supervised learning：使用图自身的信号（如链接预测：预测两节点间是否有边）有时这两种情况下的分别比较模糊，在无监督学习任务中也可能有“有监督任务”，如训练GNN以预测节点clustering coefficient。

图神经网络 (GNN) 在许多使用图结构数据的场景中取得了巨大成功。然而，在许多实际应用中，在应用 GNN 时存在三个问题：图未知、节点具有噪声特征以及图包含噪声连接。为了解决这些问题，我们提出了一种新的图神经网络，称为 GL-GNN。我们的模型包括多个子模块，每个子模块选择重要的数据特征，并在图未知时学习数据样本对应的关键关系图。GL-GNN 通过学习子模块的网络进一步得到图的网络。使用图网络上

谱图卷积神经网络(Spectral graph convolutional neural networks, CNNs)需要对卷积进行近似，以降低计算复杂度，导致性能损失。本文提出了拓扑自适应图卷积网络(TAGCN)，这是一种定义在顶点域上的图卷积网络。我们提供了一种系统的方法来设计一组固定大小的可学习滤波器来执行图上的卷积。这些滤波器在扫描图进行卷积时，其拓扑结构与图的拓扑结构相适应。TAGCN

之前都是图的模型都是已知的：这节开始研究如何用模型生成这样的图：图生成模型问题的研究动机，以前都是假设图是已知的；

文章介绍了一种线性特征调制feature-wise linear modulation (FiLM)新的图神经网络(GNN)。多数标准的GNN变体都是基于边的源节点表示通过边来传播信息。在GNN-FiLM, 目标节点的表示也会通过转换被应用到所有传入信息种，从而实现基于特征调制的信息传递。论文在三个数据集PPI, QM9 和VarMiuse上进行了测试，并在自己机器上和多个baseline(GGN

对于子图的定义通常有两种，主要看适用的场景例如：化学：节点诱导（官能团）‎‎知识图谱：通常是边缘诱导的（重点是表示逻辑关系的边缘）‎设GQG_QGQ​是一个小图，GTG_TGT​是目标图数据集。GQG_QGQ​在GTG_TGT​GTG_TGT​不同的节点子集VTV_TVT​的数目（VTV_TVT​诱导的GTG_TGT​的子图与GQG_QGQ​同构）图中频率为2图中频率为C1006C_{100}^6

蛋白质 - 蛋白质相互作用网络，包含位置基因集，基序基因集和免疫特征作为特征（共50个）和基因本体集作为标签（共121个）。graphsnodesedgesfeaturestasks20~2,245~61,31850121# 加载数据集 dataset = PPI(root = 'E:/data/ppi') # 若是先前已经存在数据集，那么就把对应的数据集的文件放在以raw命名的文件夹中即可 pr

来到实验室后，我就思考我想从图神经网络对脑部CT扫描来预测抑郁症患者这个方向入手来处理问题。但是当我看到论文中的数据集（ABIDE、FTD）这两个数据集都是图片的形式在网上出现的，而我需要的是时序的数字化后的数据集。对比了一下这个数据集的处理难度，我决定放弃，改成另外的一个方向(分子和细胞)。我选择这个方向的理由主要是两个方面：1.这个方向的数据集都是数据的形式呈现的。2.要是做这个方面的实验可以

晶体图卷积神经网络(CGCNN)为材料性能预测和设计知识提取提供了一个灵活的机器学习框架。该框架利用10410^4104个训练数据对具有不同结构类型和组成的无机晶体的8种性质提供了可靠的DFT计算估计。作为知识提取的一个例子，我们将这种方法应用于新的钙钛矿材料的设计，表明从模型中提取的信息与常见的化学见解一致，并显著减少了高通量筛选的搜索空间算估计。...