I have written some paper notes before, but I probably won’t update them here anymore.

在大规模数据上训练机器模型时，我们通常会采用随机梯度下降法，但是对于图数据来说，采样一个mini-batch得到的基本都是互相孤立的点，是无法用于GNN的训练的，在这一节我们将介绍如何用GNN处理大规模的图任务。

这一节将讨论GNN的局限性，如何改进，以及GNN的鲁棒性。

在之前的课程中，我们都是在考虑给定图上的学习任务，在这一节课我们会讨论如何生成图。

本节课将介绍子图匹配与群体检测问题。

在前面我们讨论的图的边都只表示连接关系，并无区分，在这节课中将讨论异构图，即包含多种不同类别的节点和边的图。我们会主要介绍知识图谱的embedding和知识图谱上的推理。

这一节是上一节的延续，上一节讨论了GNN Design Space中的前几部分，即如何从原图通过GNN生成node embedding，这节课将介绍不同的训练任务，如何训练GNN等问题。

在这节课中我们将介绍图神经网络。

在这个colab中，我们会通过node embedding来对Karate Club Network的节点做一个分类。

在这节课中我们将讨论三种基于消息传递进行节点分类的半监督学习方法：relational classification, iterative classification, belief propagation。