Tag: graph-neural-networks-gnn-gat
-
【AI 核心深度 M4-092】解释图神经网络与 Transformer 的关系。（Relationship Between Graph Neural Networks and Transformers）深度数理推导与工程落地解析
Transformer 是全连接图上的注意力 GNN；GNN 是稀疏图上固定/学习权重的注意力；Graph Transformer 用注意力 + 结构编码。
-
【AI 核心深度 M4-087】解释 GNN 的消息传递框架。（Message Passing Neural Network (MPNN) Framework in GNNs）深度数理推导与工程落地解析
每层分三步：邻居发消息（message）、聚合（aggregate，置换不变）、更新自身（update）；堆叠 L 层即聚合 L 跳邻域。
-
【AI 核心深度 M4-088】比较 GCN、GraphSAGE 与 GAT。（Comparison of Graph Convolutional Networks: GCN, GraphSAGE, and GAT）深度数理推导与工程落地解析
GCN 用归一化的固定权重平均；GraphSAGE 采样邻居并学习聚合（可归纳）；GAT 用注意力学习邻居权重。
-
【AI 核心深度 M4-089】解释 GNN 的过平滑与过挤压问题。（Oversmoothing and Oversquashing in Deep GNNs）深度数理推导与工程落地解析
过平滑：层数增加使节点表示趋同；过挤压：远距离信息需挤过瓶颈节点，导致长程依赖丢失。
-
【AI 核心深度 M4-090】解释 GNN 在大规模图上的训练策略。（Large-Scale Graph Training Strategies: Node Sampling, Layer Sampling, and Subgraph Partitioning）深度数理推导与工程落地解析
邻居采样（GraphSAGE/邻居爆炸）、子图采样（Cluster-GCN）、以及分布式训练与图分区。
-
【AI 核心深度 M4-091】解释异构图与关系图卷积（R-GCN）。（Heterogeneous Graphs and Relational Graph Convolutional Networks (R-GCN)）深度数理推导与工程落地解析
异构图有多种节点/边类型；R-GCN 为每种关系用独立权重矩阵，参数随关系数增长，用基分解/块对角降参。