Stanford CS224W 第 1 講：Introduction：為什麼關係資料需要圖機器學習
依 Fall 2025 官方投影片逐段整理第 1 講，涵蓋 課程地圖與工具、圖資料的共同語言、傳統特徵與表示學習，並標出自學者拿不到的課堂材料。
#graph-machine-learning
19 篇文章Stanford CS224W 第 2 講：Node Embeddings：從隨機漫步到 node2vec
依 Fall 2025 官方投影片逐段整理第 2 講，涵蓋 編碼器—解碼器觀點、鄰近度與目標函數、隨機漫步，並標出自學者拿不到的課堂材料。
Stanford CS224W 第 3 講：Graph Neural Networks：message passing 的第一個完整模型
依 Fall 2025 官方投影片逐段整理第 3 講，涵蓋 從固定 embedding 到深度編碼器、message passing 框架、聚合與更新，並標出自學者拿不到的課堂材料。
Stanford CS224W 第 4 講：A General Perspective on GNNs：把模型拆成可設計的元件
依 Fall 2025 官方投影片逐段整理第 4 講，涵蓋 GNN 設計空間、訊息、聚合與更新、GraphSAGE，並標出自學者拿不到的課堂材料。
Stanford CS224W 第 5 講：GNN Augmentation and Training：資料、任務與模型怎麼一起設計
依 Fall 2025 官方投影片逐段整理第 5 講，涵蓋 圖資料 augmentation、特徵與結構 augmentation、supervision 與 loss，並標出自學者拿不到的課堂材料。
Stanford CS224W 第 6 講：Theory of GNNs：WL test、GIN 與表達能力的上限
依 Fall 2025 官方投影片整理第 6 講，涵蓋 什麼叫可區分、Weisfeiler–Lehman test、message passing 的上界，並標出無法公開取得的課堂材料。
Stanford CS224W 第 7 講：Designing Powerful Graph Encoders：結構辨識與位置辨識
依 Fall 2025 官方投影片整理第 7 講，涵蓋 完美 GNN 的思想實驗、標準 GNN 的三層失敗、identity-aware encoding，並標出無法公開取得的課堂材料。
Stanford CS224W 第 8 講：Graph Transformers：attention 如何接上圖結構
依 Fall 2025 官方投影片整理第 8 講，涵蓋 self-attention 與 message passing、圖上 attention 的範圍、位置與結構編碼，並標出無法公開取得的課堂材料。
Stanford CS224W 第 9 講：Heterogenous Graphs：讓節點與關係類型進入 message passing
依 Fall 2025 官方投影片整理第 9 講，涵蓋 異質圖 schema、relation-specific messages、R-GCN，並標出無法公開取得的課堂材料。
Stanford CS224W 第 10 講：Knowledge Graphs：TransE、ComplEx 與 RotatE 的關係建模
依 Fall 2025 官方投影片整理第 10 講，涵蓋 知識圖譜與 completion、三元組 scoring、TransE 與關係模式，並標出無法公開取得的課堂材料。
Stanford CS224W 第 11 講：GNNs for Recommender Systems：從協同過濾到 LightGCN
依 Fall 2025 官方投影片整理第 11 講，涵蓋 推薦系統的圖表示、matrix factorization baseline、NGCF 的訊息傳遞，並標明公開材料邊界。
Stanford CS224W 第 12 講：Relational Deep Learning：把資料庫直接變成預測圖
依 Fall 2025 官方投影片整理第 12 講，涵蓋 表格 pipeline 的限制、關聯式資料庫轉圖、temporal entity graph，並標明公開材料邊界。
Stanford CS224W 第 13 講：Advanced Architectures in RDL：RelGNN 與 Relational Graph Transformer
依 Fall 2025 官方投影片整理第 13 講，涵蓋 RDL 的多關係瓶頸、RelGNN composite message passing、relation-specific aggregation，並標明公開材料邊界。
Stanford CS224W 第 14 講：Advanced Topics in GNNs：圖上 in-context learning 與不確定性
依 Fall 2025 官方投影片整理第 14 講，涵蓋 relational foundation model 的目標、zero-shot relational transfer、PRODIGY 的 prompt graph，並標明公開材料邊界。
Stanford CS224W 第 15 講：Foundation Models for Knowledge Graphs：新實體、新關係與雙重等變性
依 Fall 2025 官方投影片整理第 15 講，涵蓋 transductive KG embedding 的邊界、entity-inductive link prediction、relation graph，並標明公開材料邊界。
Stanford CS224W 第 16 講：LLM + GNN：讓語言模型讀圖，也讓圖模型讀文字
依 Fall 2025 官方投影片整理第 16 講，涵蓋 LLM 與 GNN 的互補缺口、text-attributed graphs、LLM as predictor or encoder，並標明公開材料邊界。
Stanford CS224W 第 17 講：Agents + Graphs：讓 agent 在結構化世界中檢索、規劃與行動
依 Fall 2025 官方投影片整理第 17 講，涵蓋 從 graph QA 到 agent、STaRK 的多模態檢索、工具使用與 traversal，並標明公開材料邊界。
Stanford CS224W 第 18 講：Deep Generative Models for Graphs：GraphRNN 與目標導向分子生成
依 Fall 2025 官方投影片整理第 18 講，涵蓋 圖生成問題與資料表示、生成品質的評估、GraphRNN 的 autoregressive factorization，並標明公開材料邊界。
Stanford CS224W 第 19 講：315K 個 GNN designs 如何用 anchor models 排名
Fall 2025 Conclusion deck 在 32 個 tasks 上研究約 315K 個 GNN designs：先跑少量 anchor models，以 ranking 描述 task similarity，再從相似 task 轉移 best designs。