图神经网络(GNN)的基本原理

前言

本文结合一个具体的无向图来对最简单的一种GNN进行推导。本文第一部分是数据介绍,第二部分为推导过程中需要用的变量的定义,第三部分是GNN的具体推导过程,最后一部分为自己对GNN的一些看法与总结。

1. 数据

利用networkx简单生成一个无向图:

# -*- coding: utf-8 -*-
"""
@Time : 2021/12/21 11:23
@Author :KI 
@File :gnn_basic.py
@Motto:Hungry And Humble

"""
import networkx as nx
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

G = nx.Graph()
node_features = [[2, 3], [4, 7], [3, 7], [4, 5], [5, 5]]
edges = [(1, 2), (1, 3), (2, 4), (2, 5), (1, 3), (3, 5), (3, 4)]
edge_features = [[1, 3], [4, 1], [1, 5], [5, 3], [5, 6], [5, 4], [4, 3]]
colors = []
edge_colors = []

# add nodes
for i in range(1, len(node_features) + 1):
    G.add_node(i, feature=str(i) + ':(' + str(node_features[i-1][0]) + ',' + str(node_features[i-1][1]) + ')')
    colors.append('#DCBB8A')

# add edges
for i in range(1, len(edge_features) + 1):
    G.add_edge(edges[i-1][0], edges[i-1][1], feature='(' + str(edge_features[i-1][0]) + ',' + str(edge_features[i-1][1]) + ')')
    edge_colors.append('#3CA9C4')

# draw
fig, ax = plt.subplots()

pos = nx.spring_layout(G)
nx.draw(G, pos=pos, node_size=2000, node_color=colors, edge_color='black')
node_labels = nx.get_node_attributes(G, 'feature')
nx.draw_networkx_labels(G, pos=pos, labels=node_labels, node_size=2000, node_color=colors, font_color='r', font_size=14)
edge_labels = nx.get_edge_attributes(G, 'feature')
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=14, font_color='#7E8877')

ax.set_facecolor('deepskyblue')
ax.axis('off')
fig.set_facecolor('deepskyblue')
plt.show()

如下所示:
在这里插入图片描述
其中,每一个节点都有自己的一些特征,比如在社交网络中,每个节点(用户)有性别以及年龄等特征。

5个节点的特征向量依次为:

[[2, 3], [4, 7], [3, 7], [4, 5], [5, 5]]

同样,6条边的特征向量为:

[[1, 3], [4, 1], [1, 5], [5, 3], [5, 6], [5, 4], [4, 3]]

2. 变量定义

  1. 节点特征向量 l v l_v lv:节点 v v v的特征向量,如 l 1 = ( 2 , 3 ) l_1=(2, 3) l1=(2,3)
  2. 节点状态向量 x v x_v xv:节点 v v v的状态向量。关于节点初始的状态向量,不同的GNN有不同的定义:循环GNN中随机初始化,NN4N中初始时为零向量,而在Gated GNN也就是门控GNN中,初始时的状态向量就为特征向量。最终的状态向量也就是我们学到的节点的高级表示。
  3. 边特征向量 l ( v , u ) l_{(v, u)} l(v,u),边 ( v , u ) (v, u) (v,u)的特征向量,如 l ( 1 , 2 ) = ( 1 , 3 ) l_{(1, 2)}=(1, 3) l(1,2)=(1,3)

特征向量实际上也就是节点或者边的标签,这个是图本身的属性,一直保持不变。

3. GNN算法

GNN算法的完整描述如下:Forward向前计算状态,Backward向后计算梯度,主函数通过向前和向后迭代调用来最小化损失。
在这里插入图片描述
主函数中:

  1. 首先初始化参数 w w w
  2. 通过Forward计算出所有节点的收敛的状态向量: x = F o r w a r d ( w ) x=Forward(w) x=Forward(w)
  3. 通过Backward计算: ∂ e w ∂ w = B a c k w a r d ( x , w ) \frac{\partial e_w}{\partial w}=Backward(x, w) wew=Backward(x,w),利用梯度下降法更新参数 w w w w = w − λ ⋅ ∂ e w ∂ w w=w-\lambda \cdot \frac{\partial e_w}{\partial w} w=wλwew,最后利用更新后的参数 w w w重新对所有节点的状态进行更新: x = F o r w a r d ( w ) x=Forward(w) x=Forward(w)。重复以上过程。
  4. 最后得到的 w w w就是我们的GNN了。

上述描述只是一个总体的概述,可以略过先不看。

3.1 Forward

早期的GNN都是RecGNN,即循环GNN。这种类型的GNN基于信息传播机制: GNN通过不断交换邻域信息来更新节点状态,直到达到稳定均衡。节点的状态向量 x x x由以下 f w f_w fw函数来进行周期性更新:
在这里插入图片描述
在这里插入图片描述
解析上述公式:对于节点 n n n,假设为节点1,更新其状态需要以下数据参与:

  1. l n l_n ln,节点 n n n的特征向量,即: l 1 = ( 2 , 3 ) l_1=(2, 3) l1=(2,3)
  2. l c o [ n ] l_{co[n]} lco[n],与 n n n相连的边的特征向量,即[(1, 3), (5, 6)]
  3. x n e [ n ] ( t ) x_{ne[n]}(t) xne[n](t),节点 n n n相邻节点(这里为2和3) t t t时刻的状态向量。
  4. l n e [ n ] l_{ne[n]} lne[n]:节点 n n n相邻节点的特征向量,这里为节点2和3的特征向量。

这里的 f w f_w fw只是形式化的定义,不同的GNN有不同的定义,如随机稳态嵌入(SSE)中定义如下:
在这里插入图片描述

由更新公式可知,当所有节点的状态都趋于稳定状态时,此时所有节点的状态向量都包含了其邻居节点和相连边的信息。

这与图嵌入有些类似:如果是节点嵌入,我们最终得到的是一个节点的向量表示,而这些向量是根据随机游走序列得到的,随机游走序列中又包括了节点的邻居信息, 因此节点的向量表示中包含了连接信息。

证明上述更新过程能够收敛需要用到不动点理论,这里简单描述下:

如果我们有以下更新公式:
x ( t + 1 ) = F w ( x ( t ) , l ) x(t+1)=F_w(x(t), l) x(t+1)=Fw(x(t),l)
只要 F w F_w Fw是压缩映射,那么最终 x x x必会收敛到一个固定的点,这个点称为不动点。是否收敛可用以下公式判断:
∣ ∣ x ( t ) − x ( t − 1 ) ∣ ∣ < ε f ||x(t)-x(t-1)||<\varepsilon_f ∣∣x(t)x(t1)∣∣<εf

GNN的Foward描述如下:
在这里插入图片描述
解释:

  1. 初始化所有节点的状态向量,此时 t = 0 t=0 t=0
  2. 然后利用压缩映射 F w F_w Fw对节点状态向量进行更新: x ( t + 1 ) = F w ( x ( t ) , l ) x(t+1)=F_w(x(t), l) x(t+1)=Fw(x(t),l),这里的 l l l包含三种类型信息:节点的特征向量 l n l_n ln,与节点相连边的特征向量 l c o [ n ] l_{co[n]} lco[n]以及与节点相连节点的特征向量 l n e [ n ] l_{ne[n]} lne[n]
  3. 如果更新后达到了收敛条件,则停止更新,返回最终时刻所有节点的状态向量。

3.2 Backward

在节点嵌入中,我们最终得到了每个节点的表征向量,此时我们就能利用这些向量来进行聚类、节点分类、链接预测等等。

GNN中类似,得到这些节点状态向量的最终形式不是我们的目的,我们的目的是利用这些节点状态向量来做一些实际的应用,比如节点标签预测。

因此,如果想要预测的话,我们就需要一个输出函数来对节点状态进行变换,得到我们要想要的东西:
在这里插入图片描述
最容易想到的就是将节点状态向量经过一个前馈神经网络得到输出,也就是说 g w g_w gw可以是一个FNN,同样的, f w f_w fw也可以是一个FNN:
在这里插入图片描述
我们利用 g w g_w gw函数对节点 n n n收敛后的状态向量 x n x_n xn以及其特征向量 l n l_n ln进行变换,就能得到我们想要的输出,比如某一类别,某一具体的数值等等。

BP算法中,我们有了输出后,就能算出损失,然后利用损失反向传播算出梯度,最后再利用梯度下降法对神经网络的参数进行更新。

对于某一节点的损失(比如回归)我们可以简单定义如下:
l o s s n = ( o n − t n ) 2 loss_n=(o_n-t_n)^2 lossn=(ontn)2
这里的 t n t_n tn是节点的某一标签(比如年龄)。

因此所有节点的损失可以定义为:
e w = ∑ n ∈ V ( o n − t n ) 2 e_w=\sum_{n \in V}(o_n-t_n)^2 ew=nV(ontn)2

因为我们要更新 w w w,所以我们需要得到损失 e w e_w ew对参数 w w w的导数,即算出:
∂ e w ∂ w \frac{\partial e_w}{\partial w} wew

在GNN中,我们定义 z ( t ) z(t) z(t)如下:
在这里插入图片描述
有了 z ( t ) z(t) z(t)后,我们就能求导了:
在这里插入图片描述
e w = ∑ n ∈ V ( o n − t n ) 2 e_w=\sum_{n \in V}(o_n-t_n)^2 ew=nV(ontn)2,所以我们可以直接求 ∂ e w ∂ o \frac{\partial e_w}{\partial o} oew ∂ G w ∂ w ( x , l N ) \frac{\partial G_w}{\partial w}(x, l_N) wGw(x,lN)是输出对 w w w的导数, ∂ F w ∂ w ( x , l N ) \frac{\partial F_w}{\partial w}(x, l_N) wFw(x,lN)是状态转换函数对 w w w的导数,这两个也能直接算出。

z ( t ) z(t) z(t)的求解方法在Backward中有描述:
在这里插入图片描述

  1. 先对Forward后得到的最终节点状态向量进行转换,得到输出 o o o
  2. 计算状态转换函数对节点状态向量 x x x的导数 A = ∂ F w ∂ x ( x , l ) A=\frac{\partial F_w}{\partial x}(x, l) A=xFw(x,l)
  3. 计算 b = ∂ e w ∂ o ⋅ ∂ G w ∂ x ( x , l N ) b=\frac{\partial e_w}{\partial o} \cdot \frac{\partial G_w}{\partial x}(x, l_N) b=oewxGw(x,lN)
  4. 初始化 z ( 0 ) z(0) z(0),此时为0时刻
  5. 重复计算: z ( t ) = z ( t + 1 ) ⋅ A + b z(t)=z(t+1) \cdot A + b z(t)=z(t+1)A+b,直至 z ( t ) z(t) z(t)收敛
  6. 计算 c = ∂ e w ∂ o ⋅ ∂ G w ∂ w ( x , l N ) c=\frac{\partial e_w}{\partial o} \cdot \frac{\partial G_w}{\partial w}(x, l_N) c=oewwGw(x,lN)
  7. 计算 d = z ( t ) ⋅ ∂ F w ∂ w ( x , l ) d=z(t) \cdot \frac{\partial F_w}{\partial w}(x, l) d=z(t)wFw(x,l)
  8. 最后算出误差对要更新的 w w w的导数 ∂ e w ∂ w = c + d \frac{\partial e_w}{\partial w}=c+d wew=c+d

因此,在Backward中需要计算以下导数:

  1. 状态转换函数 F w F_w Fw对节点状态 x x x的导数 ∂ F w ∂ x \frac{\partial F_w}{\partial x} xFw
  2. 输出函数 G w G_w Gw对节点状态的导数 ∂ G w ∂ x \frac{\partial G_w}{\partial x} xGw
  3. G w G_w Gw F w F_w Fw w w w的导数

4.总结与展望

本文所讲的GNN是最原始的GNN,此时的GNN存在着不少的问题,比如对不动点隐藏状态的更新比较低效。

由于CNN在CV领域的成功,许多重新定义图形数据卷积概念的方法被提了出来,图卷积神经网络ConvGNN也被提了出来,ConvGNN被分为两大类:频域方法(spectral-based method )和空间域方法(spatial-based method)。2009年,Micheli在继承了来自RecGNN的消息传递思想的同时,在架构上复合非递归层,首次解决了图的相互依赖问题。在过去的几年里还开发了许多替代GNN,包括GAE和STGNN。这些学习框架可以建立在RecGNN、ConvGNN或其他用于图形建模的神经架构上。

GNN是用于图数据的深度学习架构,它将端到端学习与归纳推理相结合,业界普遍认为其有望解决深度学习无法处理的因果推理、可解释性等一系列瓶颈问题,是未来3到5年的重点方向。

因此,不仅仅是GNN,图领域的相关研究都是比较有前景的,这方面的应用也十分广泛,比如推荐系统、计算机视觉、物理/化学(生命科学)、药物发现等等。

  • 29
    点赞
  • 119
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Cyril_KI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值