把问题留在这里，时时回顾思索吧。

论文笔记：HOW ATTENTIVE ARE GRAPH ATTENTION NETWORKS?

PDF: https://openreview.net/pdf?id=F72ximsx7C1

OpenReview：https://openreview.net/forum?id=F72ximsx7C1

ICLR 2022

1. Abstract

认为GAT是static attention，仅实现了对节点重要度的静态ranking，而未实现对不同query给出不同key的设想；提出GATv2，通过调整LeakyReLU和linear unit计算顺序，实现dynamic attention，即对不同query能给出不同key。

武汉夜雨狂泻，狂躁的雨滴砸落地面。哦不，该称之为水面了。持续一日的雨水，在柏油路上新铺一层水面。

听闻“麻豆传媒”的一个摄影团队被抓获，翻看知乎里对事件的评价，产业链的介绍、情色作品的科普。总是会错过些“艺术”，错过了汤不热时代，一如曾经错过了快播的便捷。

如今，大约大部分人已是笑贫不笑娼了。

总算考完一门硬核的试，抢下些许喘息时间。不知不觉年关又至，流水账般收集下今年尚能想起的记忆碎片吧。

试图手动统计些数据，量化将逝的2021。要是有时间，或许再来做点好看的可视化吧。

搬家的前一夜，一如往常，走进罗森。打算买两个茶叶蛋，和舍友一人一个分了——煮泡一天的蛋最为入味。却只见一锅红褐色的茶汤，蛋已售罄了。和那胖乎乎的年轻店员对视一眼，又走出店门。

大约很难再见他。

没有所谓深夜食堂的热络，夜间的便利店，默默消化着每个独身过客。

Improving Graph Neural Networks with Structural Adaptive Receptive Fields

PDF: https://dl.acm.org/doi/10.1145/3442381.3449896

Conferences: WWW '21

1. Abstract

现有GNN模型未能充分利用图结构信息，此工作提出STructural Adaptive Receptive fields (STAR-GNN)，适应性地构建每个节点的感受野(receptive field)以捕获结构信息。具体贡献如下：

• 提出基于节点结构信息来自适应调节receptive field范围STAR-GNN；
• 将Anonymous Random Walks (ARWs)和互信息结合来捕获节点的结构信息，此外还提出针对receptive field的subgraph 聚合算子。

FLAG2021-1-马拉松gogogo

来到2021，立下今年的第一个FLAG，年内持续训练，跑下一场42.193公里的马拉松。（要是能抽中今年汉马就好了）

持续更新ing

2021-02-21开练前状态：

• 63.5KG
• 平均半个月跑次步，5km，配速5'45

1.

告别伊豆时，那位“我”的脑中真的如一泓清泉流出吗，不再有舞女的身姿吗？

霍乱时期的那张黄旗，会在内河里一直飘扬吗？

Abstract:

当前GNNs主要利用了节点特征，忽略了边上信息。本笔记对GNNs中利用边信息的方式进行小结。

借结课展示的强制力，更新 How Powerful Are Graph Neural Networks? 论文阅读笔记如下。

此工作发表于ICLR19，将GNN聚合邻居的方式与WL test做类比，理论上论证了GNN表达能力的上限为WL Subtree kernel，并根据分析提出GIN模型。论文提供了理解GNN表达能力的新思路，也启迪GNN模型架构发展的方向。