图分类笔记：把节点汇成一张图时，丢掉了什么信息

节点分类给每个节点预测标签；图分类则要给整张图输出结果。消息传递之后，还需要把可变数量的节点表示汇成图级表示，这一步通常称为 Readout。 批处理不等于把图混在一起 一个批次可以装多张独立图，但池化时必须保留每个节点所属的图。对所有节点直接求一个平均，会把多张图合成一个样本。PyG 的全局平均池

链接预测笔记：先把待预测的边从输入里隔离

链接预测里，边有双重身份：既可能是消息传递的输入，也可能是要预测的答案。先区分这两份数据，再训练编码器和解码器。 两种边列表各做什么 数据 作用 需要检查 消息传递边 构建节点表示 不包含当前评估的待预测正边及其反向副本 监督边 计算边分数与损失 与标签逐项对应，划分与负采样有记录 PyG 常用 e

GraphSAGE笔记：采样、聚合和归纳评估是三件事

GraphSAGE 的价值不只是换一种卷积层。它把根据节点特征及邻域生成表示的规则学出来，并结合采样支持大图训练。GraphSAGE 原论文 不要把模型名称当作数据划分 “归纳式”描述模型对训练时未见节点或图的评估设定，不是 GraphSAGE 独占的开关。只要使用可共享的特征变换，其他消息传递模型

GCN与GAT笔记：先分清度归一化和邻居Softmax

GCN 和 GAT 都在聚合邻域信息，但聚合权重的来源不同。理解这个区别，不需要先背一个数据集上的准确率。 GCN并不是给所有邻居相同权重 对经典无向图 GCN，加入自环后，用度矩阵做对称归一化：S = D^(-1/2) (A + I) D^(-1/2)，然后计算 S X W。边的系数与相邻节点的度

图神经网络入门：先检查消息究竟沿哪条边流动

学习 GNN 时，最容易被公式掩盖的错误之一，是把边的方向理解反了。先用一个能手算的小图检查消息，再去实现更复杂的网络。 从数据含义开始 一张图至少需要说明三件事：节点代表什么、边代表什么、每个节点有哪些在预测时可用的特征。边可以表示依赖、连接或交互，不必然表示两个节点属于相同类别。 常见任务也不相