GNN如何利用图上的边信息？
链接：https://zhuanlan.zhihu.com/p/432923190
Backgrounds
图表示学习近年来取得巨大进展，以GCNs为代表的一系列图神经网络模型在节点分类、图分类、链接预测等图领域任务取得亮眼的成果。其中大部分模型基于message-passing方式构建，即“聚合邻居信息，更新节点自身状态”，在此范式中，节点特征得到充分的学习。而现实的许多图中，边上存在丰富的信息，它们在当前大多模型中未被充分利用。
Edge Features同样描述着网络，学习edge features能强化图神经网络的表达能力。
以下图为例：
社交网络中，edge features更具体地描述着用户(nodes)间关系。
Recently Works
当前图神经网络对边信息主要有如下几种利用方式：
2.1 Implicit Utilization
每个节点只aggregate其邻居的信息，这一聚合方式本身就基于节点间的边实现。此情况下只视作各个边为binary feature，只有“有边/无边”区别。
2.1 Naive Utilization
对于边上特征为scalar的情况，最简单直接的方式是使用带权的邻接矩阵描述，与之对应的，使用支持edge weight的模型学习即可。
2.3 Aggregate from Different Types of Edge
在许多场景中，边上特征为类别标签，如社交网络中，边上可以标注两人为工作关系、家人等。
对于存在多种类型边的图（边异构），常见处理方法是依照边的类型分别聚合信息。
如早期工作Relational GCN[2]，
其只在GCN
的基础上，增加了
其他模型也是类似思路，仅在聚合方式上做进一步细化。如下图：
2.4 Multi-dimensional Edge Features
上述3个方式并不能较好地处理边上多维特征。面对多维边特征，常见手段也是在aggregation阶段将边特征、邻居节点特征通
为边特征维度数。
在GAT基础上，单独处理每一维的特征。聚合函数中加入节点特征，并为每一维特征单独学一组注意力权重，最后将各维输出concate。本文的edge embeddings，为每层所学的边多维特征注意力权重。
在GAT基础上，单独处理每一维的特征。聚合函数中加入节点特征，并为每一维特征单独学一组注意力权重，最后将各维输出concate。本文的edge embeddings，为每层所学的边多维特征注意力权重。过某种function结合在一起，再传给目标节点。
General Idea 如下图：
2.5 Learn Edge Embeddings
与2.4区别在于，下述方法以多维边特征为输入，并在模型每层更新，类似学习node embedding一般，同时学习edge embeddings。其实现方式多为创建某种辅助图，在该图中将边也视作节点，再用现有GAT等模型学习边和节点的表示。
1.EGNN [5]
为边特征维度数。
在GAT基础上，单独处理每一维的特征。聚合函数中加入节点特征，并为每一维特征单独学一组注意力权重，最后将各维输出concate。本文的edge embeddings，为每层所学的边多维特征注意力权重。
为边特征维度数。
在GAT基础上，单独处理每一维的特征。聚合函数中加入节点特征，并为每一维特征单独学一组注意力权重，最后将各维输出concate。本文的edge embeddings，为每层所学的边多维特征注意力权重。
2. CensNet [6]
使用line graph（原始图中节点变为line graph中的边，边变为节点）构建辅助图，在original graph和line graph上训练模型，交替更新node, edge embeddings。
3. NENN [7]
以GAT为基础，提出Node-level Attention Layer, Edge-level Attention Layer。
每个layer区别主要在于输入的图的观察角度。
如下图中两矩形方框部分，分别以node、edge为视角，重新定义“邻居”，将边/节点视作新图中的节点，在新图中学习边和节点的embeddings。
4. EGAT [8]
与CensNet类似，使用line graph+GAT学习节点和边的表示。
Discussion
- 2.5中多用GAT编码边特征信息，带来较大的计算开销，能否更轻量且优雅的编码边特征？
- 2.5中使用诸如line graph等构建辅助图，把原图中的边变换为辅助图中的节点，从而可以利用已有GNN进行边嵌入的学习。但是，对于“边的邻居边”，是否同样满足节点与其邻居相近的假设？
- 如何评估边特征与节点的关系，边特征如何切实的帮助图表示学习？