A Gentle Introduction to Graph Neural Networks
1.架构
该篇文章总共有4块信息:什么数据可以表示成一张图、图和别的数据有什么不一样的地方 为什么要用图神经网络、GNN各个模块是什么样子、提供一个GNN的playground
2.什么是图
包含节点信息、边信息、图全局信息,各部分信息可以用不同长度的向量(也可能一样)来表示,这里的关键是如何通过向量来表示这些我想要的信息,以及这些向量能不能通过数据来学到,这也是整个GNN要关注的重点
3.数据如何表示成图
3.1图片表示成图数据
将图片上的每个像素映射成图上的每个点
3.2文本表示成图
将文本看成序列,每个词看成顶点,上下两个词之间有一条边
3.3分子结构图
3.4社交网络图
4.将数据表示成图后,可以定什么样的问题
4.1图层面的问题
如看一个图里有没有两个环
4.2顶点层面
如预测顶点属性,做分类
4.3边层面
如预测边属性
5.将机器学习应用在图上面的挑战
- 图中一共有四种信息:顶点信息、边信息、图全局信息、连接性,关键是如何表示图使它能够与神经网络兼容,如何保证高效存储,以及对顺序无关
- 有缺失信息怎么办?—进行信息叠加
6.GNN介绍
- 定义:GNN就是对属性做变换,但是不改变图的结构
- 主要介绍:最简单的GNN网络结构,顶点、边、全局信息叠加,汇聚层、基于消息传递的GNN
7.GNN playground
GNN对于超参数是很敏感的,超参数主要有:GNN网络层数、属性嵌入维度、汇聚方式(mean、max、sum)、信息叠加方式