图神经网络通用框架信息传递网络（MPNNs）
介绍
机制
理论
信息传递阶段
读取阶段
实际案例
代码
第三方库
介绍
信息传递网络（Message Passing Neural Networks, MPNNs)是由Gilmer等人提出的一种图神经网络通用计算框架。原文以量子化学为例，根据原子的性质（对应节点特征）和分子的结构（对应边特征）预测了13种物理化学性质。查看论文原文请点击这里。
机制
理论
MPNN的前向传播包括两个阶段，第一个阶段称为message passing（信息传递）阶段，第二个阶段称为readout（读取）阶段。定义一张图 G = ( V , E ) G=(V,E) G=(V,E)，其中 V V V是所有节点， E E E是所有边。
信息传递阶段
message passing阶段会执行多次信息传递过程。对于一个特定的节点v，我先给出公式。 m v t + 1 = ∑ w ∈ N ( v ) M t ( h v t , h w t , e v w ) (1) m_v^{t+1}=\sum_{w\in N(v)}M_t\left( h_v^{t},h_w^{t},e_{vw} \right)\tag{1} mvt+1=w∈N(v)∑Mt(hvt,hwt,evw)(1) h v t + 1 = U t ( h v t , m v t + 1 ) (2) h_v^{t+1}=U_t\left(h_v^{t},m_v^{t+1}\right)\tag{2} hvt+1=Ut(hvt,mvt+1)(2) 其中，在公式 ( 1 ) (1) (1)中， m v t + 1 m_v^{t+1} mvt+1是结点v在t+1时间步所接收到的信息， N ( v ) N(v) N(v)是结点v的所有邻结点， h v t h_v^{t} hvt是结点v在t时间步的特征向量， e v w e_{vw} evw是结点v和w的边特征， M t M_t