本篇論文是2016ICML上的一篇論文，對於如何將cnn應用在graph上提供了一種新的思路。

架構：

總體上講，就是用w個固定size=（k+1）的子圖來表示輸入的graph，再將這w個子圖正則化後,生成一個w(k+1)維的向量，作為傳統的cnn的輸入，進行學習。其實就是做了一個從graph到向量的對映的一個預處理過程。

演算法流程
輸入：任意一張圖
輸出：每個channel輸出w個receptive field

Step1： graph labeling（對圖的節點做標記，比如可以用節點的度做標記，做圖的劃分，也 可以叫做color refinement or vertex classification）
文中採用The Weisfeiler-Lehman algorithm做圖的劃分。由此可以得到每個節點的rank 值（為了不同的圖能夠有一個規範化的組織方式）

Step2：對labeling好的節點排序，取前w個節點，作為處理的節點序列。（這樣就可以把不 同size的graph，變成同一個size）若不足w個節點，則，在輸出中加全零的receptive field，相當於padding

Step3：採用stride=s來遍歷這w個節點。文中s=1（若s）1，為了輸出有w個receptive field， 也用step2的方式補全）

Step4：對遍歷到的每個節點v（稱作root），採用bfs的方式獲得此節點的k個1-neighborhood， 如果不k個，再遍歷1-neighborhood的1-neighborhood。直到滿足k個，或者所有的 鄰居節點都遍歷完。此節點和他的k個鄰居節點就生成了neighborhood graph。

Step5： step4就生成了w個（s=1）neighborhood graph。需要對著w個graph 進行labeling， 根據離root節點v的遠近來計算每個節點的rank，根據演算法4是離v越近，r越小。 如果每個neighborhood graph不足k個節點，用0節點補充

Step6：規範化step5得到了已經label好的graph，因為需要把它變成injective，使每個節點 的標籤唯一，採用nauty的演算法

通過這w個receptive field就能得到一個w(k+1)維的向量