由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。这种图增强的方法分为两种类型:图特征增强；图结构增强。需要图增强的原因有如下几点：输入图的节点可能比较缺乏特征；图结构可能过于稀疏，从而没有足够的信息传递；图结构可能过于稠密，进而导致信息传递出现冗余；图可

首先回顾一下整个GNN的结构，前面我们所介绍的都是红色框内所解决的任务。最终得到的节点嵌入结果，是一个关于每个在LLL层节点嵌入的集合：{hv(L),∀v∈G}\left\{\mathbf{h}_{v}^{(L)}, \forall v \in G\right\}{hv(L)​,∀v∈G}下面来我们来介绍图网络里，蓝色框中的预测任务（prediction head），其中包括：节点水平、边水平、图

由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。这种图增强的方法分为两种类型:图特征增强；图结构增强。需要图增强的原因有如下几点：输入图的节点可能比较缺乏特征；图结构可能过于稀疏，从而没有足够的信息传递；图结构可能过于稠密，进而导致信息传递出现冗余；图可

首先回顾一下整个GNN的结构，前面我们所介绍的都是红色框内所解决的任务。最终得到的节点嵌入结果，是一个关于每个在LLL层节点嵌入的集合：{hv(L),∀v∈G}\left\{\mathbf{h}_{v}^{(L)}, \forall v \in G\right\}{hv(L)​,∀v∈G}下面来我们来介绍图网络里，蓝色框中的预测任务（prediction head），其中包括：节点水平、边水平、图

正常的图神经网络叠加应该是如下图所示，直接前一层的输出接后一层的输入。但这样简单的连接会出现 over-smoothing 的问题，即：所有的节点嵌入收敛到相同的值。这显然是不合理的。出现这种现象的原因如下。首先引入一个新概念——接受域（Receptive field），其决定一个感兴趣节点嵌入的一组节点。在K层GNN中，每个节点都有一个K阶邻居的接受域。下图分别为1-3阶邻居示意图：当我们增加邻

图像的颜色模型颜色是视觉系统对可见光的感知结果。可见光是波长在380nm-780nm之间的电磁波。我们看到的大多数光不是一种波长的光，而是由许多不同波长的光组合成的。人的视网膜有对红、绿、蓝颜色敏感程度不同的三种锥体细胞，另外还有一种在光功率极端低的条件下才起作用的杆状体细胞，杆状细胞主要提供视野的整体视象，对低照度较敏感。我们能做什么...

由于在实际的训练中，原始的图结构往往不是训练的最优图结构。下面我们考虑如何对图进行增强（graph augmentation），这个类似于数据扩增，提升训练效率，模型的泛化能力及测试集的准确率。这种图增强的方法分为两种类型:图特征增强；图结构增强。需要图增强的原因有如下几点：输入图的节点可能比较缺乏特征；图结构可能过于稀疏，从而没有足够的信息传递；图结构可能过于稠密，进而导致信息传递出现冗余；图可

网络训练整体的训练可以分为基于有监督的标签训练，及无监督的训练。有监督训练可以有如下标签：基于节点标签yvy_vyv​：如引文网络中，节点属于哪个学科领域；边标签yuvy_{uv}yuv​：如交易网络中，边缘是否欺诈；图标签yGy_{G}yG​：如分子图中，图的药物相似度。无监督训练：节点水平yvy_vyv​：如聚类系数、PageRank、…；边水平yuvy_{uv}yuv​：如隐藏两个节点之间的

首先回顾一下整个GNN的结构，前面我们所介绍的都是红色框内所解决的任务。最终得到的节点嵌入结果，是一个关于每个在LLL层节点嵌入的集合：{hv(L),∀v∈G}\left\{\mathbf{h}_{v}^{(L)}, \forall v \in G\right\}{hv(L)​,∀v∈G}下面来我们来介绍图网络里，蓝色框中的预测任务（prediction head），其中包括：节点水平、边水平、图

什么是多层先验分布？所给定的先验分布中超参数难以确定时，可以对超参数再给出一个先验，第二个先验称为超先验。由先验和超先验决定的一个新先验就称为多层先验。简单来说，就是对你之前原本的先验分布上，再假设一层先验分布，这就是两层先验分布。（当然如果不嫌麻烦，可以无穷层的orz…）例：我们以一个例子来说明：设某产品的不合格率为θθ\theta，θθ\theta的先验为π1...