Gated Graph Neural Network

Gated Graph Neural Network (GGNN) 是一种基于图神经网络的模型，由Microsoft Research提出，旨在处理图形数据（如程序代码、分子结构等）上的节点分类、链接预测等任务。

GGNN模型通过在图形数据的不同节点之间传递信息以实现任务。每个节点首先用一个向量来表示，然后节点的向量被更新为与其相邻节点的向量的加权和。权重可以由GGNN的门控机制自适应地确定，以便模型可以选择性地学习来自不同邻居的信息。

GGNN模型的结构类似于循环神经网络，但不同之处在于GGNN模型的循环层通过图结构实现节点之间的信息传递，而不是将节点的信息传递给时间步。 GGNN在图像、文本、程序代码等领域取得了良好的性能。

在Gated Graph Neural Network (GGNN)中，自适应权重是通过门控机制来实现的，类似于LSTM和GRU中的门控单元。GGNN的每个节点都有一个向量表示，称为隐藏状态向量。在每一轮迭代中，GGNN会根据邻居节点的隐藏状态向量和当前节点的状态向量计算出一个加权和，其中权重由门控单元自适应学习得到。

具体来说，GGNN中的门控单元包括更新门和重置门。更新门控制当前节点的隐藏状态向量被更新的程度，而重置门控制邻居节点的隐藏状态向量被考虑的程度。通过更新门和重置门的控制，GGNN可以自适应地调整权重，从而更好地捕捉图结构数据中节点之间的关系。