GCN
图卷积网络（GCN）是由Kipf和Welling于2017年提出的图神经网络架构，基于谱域图卷积的局部一阶近似，通过归一化邻接矩阵实现节点特征的空域传播与聚合，是最具影响力的GNN基础模型之一
时间轴 (近 90 天)
与Transformer将输入视为序列、依赖自注意力机制捕捉长距离依赖不同，GNN显式地建模实体及其关系，典型架构包括GCN、GAT、GraphSAGE等。
MAEM使用Simplified Graph Convolution（SGC）构建节点表示，SGC比标准GCN更轻量、更稳定，适合持续学习场景。
常见 GNN 变体包括 GCN（基于谱近似简化）、GraphSAGE（采样聚合，适合大图）和 GAT（引入注意力加权邻居）。
PS5 使用 AMD 定制 GPU，其 GNM API 在设计上参考了 AMD 的 GCN/RDNA 架构
图卷积网络（GCN）由 Kipf 和 Welling 在 2017 年提出
早期的 GCN 本质上是直推式的，训练时需要看到完整的图结构，推断时无法处理训练集中未出现过的新节点
GCN 单层传播公式为 H^(l+1) = σ( D̃^(-1/2) Ã D̃^(-1/2) H^(l) W^(l) )，其中 Ã 是加了自环的邻接矩阵，D̃ 是对应的度矩阵
全部知识事实 (7)
与Transformer将输入视为序列、依赖自注意力机制捕捉长距离依赖不同，GNN显式地建模实体及其关系，典型架构包括GCN、GAT、GraphSAGE等。
50%待验证MAEM使用Simplified Graph Convolution（SGC）构建节点表示，SGC比标准GCN更轻量、更稳定，适合持续学习场景。
50%待验证常见 GNN 变体包括 GCN（基于谱近似简化）、GraphSAGE（采样聚合，适合大图）和 GAT（引入注意力加权邻居）。
50%待验证PS5 使用 AMD 定制 GPU，其 GNM API 在设计上参考了 AMD 的 GCN/RDNA 架构
50%待验证图卷积网络（GCN）由 Kipf 和 Welling 在 2017 年提出
50%待验证早期的 GCN 本质上是直推式的，训练时需要看到完整的图结构，推断时无法处理训练集中未出现过的新节点
50%待验证GCN 单层传播公式为 H^(l+1) = σ( D̃^(-1/2) Ã D̃^(-1/2) H^(l) W^(l) )，其中 Ã 是加了自环的邻接矩阵，D̃ 是对应的度矩阵
50%