Node Embeddings https://web.stanford.edu/class/cs224w/slides/02-nodeemb.pdf encoder and decoder encoder: simple example ？？注意这里矩阵是one column per node， 这里似乎解释通了为什么glidar里面node在encode的过程中数量不变，换句话说就是 not scalable 呼之欲出啊啊啊啊啊 😱 以下内容非常具有启发性 Random walks 怎么理解高效率？ 对特征学习的考量 提出损失函数 用了一个近似来化简 （不约而同走到了noise-denoise） k在5~20之间！又是glidar的论文！ summary node2vec embedding the entire graph SKIP

Traditional Methods in Graph Learning node-level features degree Centrality measures: degree centrality, betweenness centrality, eigenvector centrality, closeness centrality, clustering coefficent 进一步引申GDV edge-level features 我觉得这个很像我们的vae encoder想法 距离表征容易理解…… 邻接矩阵的幂（类似于归纳法 略） graph-level features 核方法（但是skip） bag of sth… recall when you need

CS224W: Intro to Graph Deep Learning GNN for img 也就是说gnn会比传统的cnn更好 🤔 gnn as encoder and diffusion process! how to build a graph? 基本图论知识见CS61B nodes??? edges??? 新的图的表示 双向图与投影图（仔细看线条） 自环的增加的degree为1 接邻矩阵表示连接性