图神经网络task2——消息传递

1、消息传递范式

消息传递是实现GNN的一种通用框架和编程范式。它从聚合与更新的角度归纳总结了多种GNN模型的实现，它的思路是：

• 首先结合边的特征以及和边相连的两个节点的特征，得到消息函数；
• 把和节点u相连的边上的信息函数聚合起来，并结合u的已有节点特征，来更新v的节点特征。

消息传递的数学公式如下：
m e i t + 1 = Φ ( x v i t , x u t , ω e i t ) x u t + 1 = Ψ ( x u t , ρ ( { m e i t + 1 , i ∈ N ( u ) } ) \begin{aligned} m_{e_i}^{t+1} &= \Phi(x_{v_i}^t, x_u^t, \omega_{e_i}^t)\\ x_u^{t+1} &= \Psi(x_u^t, \rho(\{m_{e_i}^{t+1},i \in N(u)\}) \end{aligned} mei​t+1​xut+1​​=Φ(xvi​t​,xut​,ωei​t​)=Ψ(xut​,ρ({ mei​t+1​,i∈N(u)})​

• 其中$\Phi$是定义在每条边上的消息函数，它将边上特征与其两端节点的特征相结合来生成消息，一般是可微分的函数；
• 其中$\rho$是聚合函数，把所有的边的消息聚合起来处理，通常是可微分、具有排列不变性的函数（即和$m_e$