原创:梁华雄
导入
图级别的预测可以完成对整个图属性的预测,比如在生化预测任务中,可以实现对某个分子是否产生变异进行预判。在非欧几里得的数据结构中,如社交网络(facebook),生物网络(基因,分子),基础设施网络(能源,交通,互联网,通信)具有重要的意义。
1. 原理
整图预测是针对图层面的学习任务,比如判断某药物分子是否具有某种理化性质,再比如判断某社团是否具有欺诈可能,这需要我们对整个图提取它的特征表示,然后再基于此构建我们的学习任务,图的整体特征无外乎来源于三部分:1)节点特征;2)边特征;3)结构信息,基于这些信息,我们可以通过许多方式来构建图特征,DGL提供了一些简单的API,比如对各节点特征求和/求平均/pooling等,这可以方便我们构建一些基准图预测模型,下面我们利用对节点特征求平均的方式构建图特征,这可以通过dgl.mean_nodes
这个API很方便的实现,它相当于做了如下计算:
h g = 1 ∣ V ∣ ∑ v ∈ V h v h_g=\frac{1}{|V|}\sum_{v\in{V}}{h_v} hg=