图的计算任务
1.侧重于节点的任务
1.1 节点分类
节点常常与有用的信息相关联,这些信息可以被视为这些节点的标签。比如社交网络中,用户的年龄、性别、职业、兴趣爱好。但一般来说只有很小一部分用户提供了完整的个人属性。那些无标签的节点需要通过模型预测标签。
1.2 链接预测
一方面,有些图并不是完整的,会缺失一些点之间的链接;另一方面,许多图是自然演变的,比如在社交网络上,用户可以持续地与其他用户成为新朋友。推断这些缺失的链接有很多应用,比如好友推荐、知识图谱补全、犯罪情报分析。
2.侧重于图的任务
有图分类、图匹配和图生成
深度学习基础
1.深度前馈神经网络
用给定数据近似(拟合)某个函数f(x)。对于分类任务,一个理想的分类器f(x)可将输入x映射到目标类别Y上。前馈神经网络的训练目标是学习参数θ来得到理想分类器f(x)的最好近似函数。每个节点都从上层中所有节点聚合信息并进行变换,然后将信息传递给激活函数,激活函数决定信息有多大程度被传递到下一层。信息的聚合和变换通常是线性的,而激活函数的存在给神经网络带来了非线性的拟合能力。
1.1网络结构
在全连接的前馈神经网络中,相邻层的节点组成了一个完全二分图,即一层中的每个节点都和接下来一层中的所有节点相连。
1.2激活函数
1.2.1整流函数(Rectifier Function)
他的一个缺点是,当输入为负数时,它的梯度为0。也就是说,在训练过程中,一旦某个单元没有被激活,将无法得到训练该单元的监督信号。
针对这个问题,研究员提出一些变体,如LeakyReLU和ELU
1.2.2逻辑S形函数和双曲正切函数
逻辑S型函数将输入映射到0到1的数值范围内。
双曲正切函数将输入映射到-1到1的数值范围内。
这两个函数在当输入在0附件时,才比较敏感,大大影响了梯度训练方法的实用性。