论文地址Deep Learning on Graphs: A Survey 一、图的不同种类深度学习方法 1、主要分为三大类：半监督学习，包括图神经网络和图卷积神经网络； 2、无监督学习图自编码机； 3、最新的进展，图对抗神经网络和图强化学习。分析了不同方法的特点和联系。 二、图神经网络 (GNN) 图神经网络是
对于做英文网站的站长来说，使用国外的网站空间建站是最合适的，可惜国外好用的免费空间越来越少，剩下的使用上还有诸多限制，那么，做英文网站的站长怎么才能低成本地搭建一个免费静态HTML网站呢？答案就是通过Google App Engine来实现。 Google App Engine是Google提供的基于Google数据中
策略算法(如TRPO,PPO)是一种流行的on-policy方法。它可以提供无偏差的（或近似无偏差）梯度估计，但同时会导致高的方差。而像Q-learning 和离线的actor-critic(如DDPG)等off-policy方法则可以用离线的样本来替代。它们可以使用其他学习过程产生的样本。这样的方法大大提高了采样的效率
1| reward. shaping 如果对vs有大致的认知，把势能potential-based定义为估计的最优价值函数，能加快价值函数收敛 2、gae：广义优势估计 absorb state:terminal state γ-just条件:尚未理解 GAE(Generalized Advantage Estimation) GAE的作用 GAE的意思是泛化优势估计，因而他是用
图神经网络 (GNN) 图神经网络是图数据最原始的半监督深度学习方法。 GNN 的思路：为了编码图的结构信息，每个节点可以由低维状态向量表示。对于以图为中心的任务，建议添加一个特殊节点，这个节点具有与整个图相对应的唯一属性。 回顾过去，GNN 统一了一些处理图数据的早期方法，如递
