图神经网络GNN/GCN

基本概念

图的基本组成:点、边、图

核心:整合特征,去整合点、边、图的特征,最终进行回归或分类预测。

图的邻接矩阵:描述了每个点的邻居有哪些,有无关系用0、1表示,邻接矩阵是对称的。

实际情况下不是N*N的,大多数是2*N(source,target)

GNN主要任务:

why-图像和文本任务不用GNN?-因为图像和文本的数据格式都是固定的,传统的神经网络输入格式必须是固定的。

图神经网络:针对格式不固定的内容进行处理,比如分子结构、人际关系等。

图级别:基于图进行预测

点和边级别:

特征整合:

点特征的更新,不仅需要考虑自己,还需要考虑邻居

多次GNN的作用:

  • GNN的本质是更新各部分的特征
  • 输入是特征,输出是特征,邻接矩阵不改变

输出特征的作用:

  • 各点的特征组合,可以对图进行分类
  • 各边的特征组合,可以对图进行分类
  • 各节点也可以分类

图卷积和卷积的差异:

  • 用在GNN当中
  • 输入给GCN的东西:每个点的特征、邻接矩阵
  • GCN是半监督学习,不需要全部标签

图卷积的基本思想:

  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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
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