GNN学习笔记(三) Graph Neural Network概述
前言
本篇笔记主要记录书籍《Graph Neural networks》第三章阅读学习过程中的总结摘要,方便自己后续复习查看。
虽然传统的深度神经网络技术可以很好的应用于图像等欧几里得数据、文本等序列数据中,但不能够在图数据中直接得到应用。然而,在很多应用场景下,数据以图的形式表示更加方便,GNN技术也随之兴起。本章从GNN基础、前言、应用三个维度对当前GNN的研究进行概述。
一、Foundations
1.GNN的方法
用图表示数据的好处主要有两点:
(1)图可以更好的编码出复杂的配对关系,学习到更有信息的表达
(2)可以将原始数据中的结构信息和语义信息与特定领域的知识结合,捕捉到数据之间的关系。
GNN的目的是通过聚合邻接节点的表达和节点自身在先前迭代中的表达,来**交替更新节点的表达。**在获得节点表达后,可以利用表达进行如连接预测、节点分类等后续操作。
虽然很多图神经网络被提出,但是GNN存在一个导致训练结果不理想的问题:过平滑,即所有的节点由相似的表达。
2.GNN的理论理解
此前很多研究把工作重心放在了探究GNN的表达能力,和提升GNN的表达能力上。Weisfeiler-Lehman是一种常用的探究表达能力的方式。当前采用的一些能够提升GNN表达能力的方法有附加随机属性、距离属性、使用高阶结构等。