图神经网络无疑是现在最火的AI技术之一，在本文中，全面详细地介绍了GNN的背景动机、GCN、循环关系网络、通用网络。

近期，一些Paper放出来，以下整理了CVPR 2020 图神经网络(GNN)相关的比较有意思的值得阅读的五篇论文，供大家参考—点云分析、视频描述生成、轨迹预测、场景图生成、视频理解等。

图神经网络的微分物理模拟 这是用PyTorch编写的“的实现。 目前，基本的2D模拟效果很好。 我没有时间训练模型超过40万个时间段，因此当前结果没有像将网络训练到20M个时间段时那样完美。 在给出初始位置和五个先前速度后，以下是网络预测的一些示例： 如您所见，到目前为止，网络还没有完全学会尊重边界，并且由于某些原因，远离其他粒子的粒子会以奇怪的方向飞走（这可能是由于网络对没有粒子的粒子缺乏经验）边缘连接到他们）。 但是，它具有正确的想法，并且大多数模拟看起来都是合理的。 我预计该网络可能无需修改就可以使用3D数据集，但是训练这样的网络需要比我可以使用的tesla v100或RTX 3090更多的VRAM。 我确实有计划在某个时间在TPU上进行培训。 一旦有时间在2D水数据集上训练更多的10M纪元网络，我将发布更多的GIF（我尚未设置粒子嵌入）。 开始运行python -m gra

本文组织如下:首先，介绍了图和网络的基本概念。其次，我们描述了在GNNs中用于计算节点嵌入的主要步骤。接下来，我们将介绍现有文献中经常提到的三种GNN技术。最后，我们对该领域的其他著名作品进行了有限的综述。

. 概述　　得益于大数据的兴起以及算力的快速提升，机器学习技术在近年取得了革命性的发展。在图像分类、语音识别、自然语言处理等机器学习任务中，数据为大小维度确定且排列有序的欧氏（Euclidean）数据。然而，越来越多的现实场景中，数据是以图（Graph）这种复杂的非欧氏数据来表示的。Graph不但包含数据，也包含数据之间的依赖关系，比如社交网络、蛋白质分子结构、电商平台客户数据等等。数据复杂度的提升，对传统的机器学习算法设计以及其实现技术带来了严峻的挑战。在此背景之下，诸多基于Graph的新型机器学习算法—GNN（图神经网络），在学术界和产业界不断的涌现出来。　　GNN对算力和存储器的要求非常

WWW2020的DL4G论坛，William L. Hamilton做了关于元学习与图上逻辑规则推导的报告，55页ppt。

主要邻里聚集 在PyTorch，DGL和PyTorch Geometric中实现图网的主要邻域聚合 。 概述 我们提供PyTorch，DGL和PyTorch Geometric框架中的主要邻域聚合（PNA）的实现，以及用于生成和运行多任务基准的脚本，用于运行实际基准的脚本，灵活的PyTorch GNN框架以及其他实现用于比较的模型。 该存储库的组织方式如下： models包含： pytorch包含在PyTorch中实现的各种GNN模型： 聚合器，缩放器和PNA层（ pna ）的实现 可以与任何类型的图卷积一起使用的灵活GNN框架（ gnn_framework.py ） 本文中用于比较的其他GNN模型的实现，即GCN，GAT，GIN和MPNN dgl包含通过实现的PNA模型：聚合器，缩放器和层。 pytorch_geometric包含通过实现的PNA模型：聚合器，缩放器和图层。

图神经网络(GNNs)是针对图信号的信息处理体系结构。它们已经被开发出来，并在本课程中作为卷积神经网络(CNNs)的推广来介绍，它被用来在时间和空间上处理信号。这句话听起来可能有些奇怪，这取决于你对神经网络(NNs)和深度学习的了解程度。

Papers on Graph neural network(GNN)

僵尸网络检测 僵尸网络拓扑检测数据集和图神经网络自动检测。 覆盖在正常背景网络流量上的不同僵尸网络拓扑的集合，其中包含用于归纳学习的相对较大规模的无特征图。 安装 从来源 git clone https://github.com/harvardnlp/botnet-detection cd botnet-detection python setup.py install 加载僵尸网络数据 我们提供标准且易于使用的数据集和数据加载器，它们可以自动处理数据集重载以及标准数据拆分，并且可以通过指定graph_format参数与大多数图学习库兼容： from botdet.data.dataset_botnet import BotnetDataset from botdet.data.dataloader import GraphDataLoader botnet_dataset_trai