Deep Graph Infomax(DGI) 论文阅读笔记

代码及论文github传送门
本文中出现的错误欢迎大家指出，在这里提前感谢w
这篇文章先锤了一下基于random walk的图结构上的非监督学习算法，指出了random walk算法的两个致命缺点。
1.以图的结构信息为代价，过分强调点之间的临近信息。（random walk算法的假设：相邻的节点更有可能具有相同的label）
2.模型效果过多依赖超参的选择，即改变超参，模型的效果会急剧下降。
后面这篇文章介绍了自己的非监督学习是基于mutual information的，关于mutual information这里有一篇很好的博客介绍它的含义，这对我们接下来论文的理解也有帮助。

我靠我终于搞明白为什么paper里面一直在讲一个二分类问题，而它跑的实验却是一个多分类问题了，这个问题是我看了它的源码才知道的。
这里面是两个不同的模型，在一开始的二分类使用的是交叉熵loss，目的是训练出来前面的GCN采样层的效果，让这个GCN层能够有效地提取图结构的信息。这里的二分类是指图中原有的点（正样本）和作者自己构造了一个假图的点（负样本）。
训练完第一个模型后，下一个模型名字叫LogReg。它本质就是一个全连接层，使用xavier的方法进行全连接层的初始化。是将GCN层中提取出的特征描述\(h_i\)直接输入到全连接层，然后分为nb_classes类，做一个有监督的训练，训练这一层全连接层。在第二个模型中，前面的readout function和discriminator都没有用了！
那么为什么说这个方法是一个无监督的方法呢?因为在第一个模型，represntation提取过程中，作者是自己构造的正样本和负样本训特征提取器的（也就是GCN）。这个过程是一个无监督的过程，至于后面全连接层的训练，并不是本文的重点，只是为了让提取的patch represetation发挥它的效果。
根据后面给的效果图来看，这个方法的F1-score逼近或超过有监督学习的F1-score了，但是为什么基于这种方法可以获得较好的效果，我还是没有一个直观的理解。

剩余东西，近几天更新