GNN变体
| 变体名称 | 核心思想 | 特点与适用场景 |
|---|---|---|
| GCN | 基于图卷积操作，通过归一化邻接矩阵聚合邻居特征 | 简单高效，是众多后续模型的基础，但对邻居一视同仁，表达力有限 |
| GAT | 引入注意力机制，自适应学习不同邻居的重要性 | 处理邻居重要性差异显著的场景；异质图需改进版本 |
| GraphSAGE | 通过采样固定数量的邻居并聚合特征，以实现可扩展的节点嵌入 | 适合大规模或动态图；提升扩展性同时避免加载整图 |
| GIN | 使用单射聚合函数（如求和）以最大化结构区分能力 | 理论上与 1-WL 测试等价；图分类、分子预测中表现突出 |
| GAE | 基于图自编码器，通过无监督方式重构图结构 | 用于节点聚类、链接预测，与 VGAE 等变体结合性能更强 |
| Recurrent GNN | 使用循环单元递归传播节点状态直到稳定 | 历史最早的 GNN 形式，适合动态图或时序依赖任务 |