北邮王啸：图神经网络的两面性

报告：王   啸

撰文：熊宇轩

作者简介

王啸，北京邮电大学，助理教授。研究方向为图神经网络、数据挖掘与机器学习。曾任清华大学计算机系博士后，天津大学博士，美国圣路易斯华盛顿大学联合培养博士，入选2020年微软亚洲研究院铸星学者。

注：本文为「2021北京智源大会」报告，回放视频请关注：https://2021.baai.ac.cn/schedule

【专栏：前沿进展】在我们生活的世界中，图数据无处不在，我们可以用图来建模和描述我们的复杂系统。

从马克思主义哲学的角度来说，联系具有普遍性和客观性，所以正是因为联系的存在，万事万物都可以构建成图。

十年前，李国杰院士在「大数据研究的科学价值」一文中指出，复杂网络分析应该是数据科学的重要基石。「科学」研究的是普遍的现象、规律、真理，在数据科学研究领域中，我们可以将生物数据、交通数据、互联网数据、物理化学数据统一成图的形式，即关系网络。

图 1：网络表示学习

我们针对各种各样的图数据提出了相应的应用场景（例如，社区发现、节点分类等）。

为了将数据应用于具体的任务，我们往往首先需要对网络数据进行表征。

几十年以来，计算机从业者通常使用邻接矩阵来表示图和网络。随着表示学习、网络嵌入、深度学习的蓬勃发展，一系列图神经网络应运而生。如今，我们通过深度学习技术对图数据进行表示学习，并将学习到的表征用于后续的任务。

计算机科学家们基于前人在图信号处理领域（谱域）取得的一系列成果推导出了图神经网络的基本思路：在节点之间进行信息的传播聚合以及变换。

图2：GNN 的工作原理

如图 2 所示，图神经网络的每一层中进行的运算可以表示为：

其中， H^l 为第 l 层的节点表征，刻画了与节点相关的网络拓扑结构，信息在该拓扑结构上传播。最后，我们通过 θ 对节点特征进行提取和变换，再通过非线性激活函数得到下一层的节点表征 H^{l+1}。

从另一个角度来看，我们可以将上式视为先通过 θ 对 H 节点的特征进行特征提取和变换，此后再在网络上进行信息的传播和聚合，从而得到更新后的新网络表征。我们将多个图神经网络层的操作叠加起来，就得到了深度图神经网络。

图 3：对 GNN 的思考

目前，图神经网络（GNN）在节点分类等任务上取得了目前最优的性能，该工作流程之所以奏效，主要原因包含以下几点：

（1）GNN 很好地利用了图的结构，以一种非常自然的方式获取了图上邻居节点的信息。如果我们将单层图神经网络层的操作叠加 N 次，便可以获取某节点 N 阶邻居的信息，这种聚合信息的方式非常灵活。