《Graph Neural Networks Foundations,Frontiers and Applications》预备章节（符号）翻译和解读

最新推荐文章于 2022-10-12 10:16:27 发布

刘大彪

最新推荐文章于 2022-10-12 10:16:27 发布

阅读量207

点赞数 2

分类专栏：图神经网络基础、前沿和应用文章标签：机器学习深度学习人工智能神经网络图论

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/jkokj23153/article/details/127166419

版权

图神经网络基础、前沿和应用专栏收录该内容

11 篇文章 2 订阅

订阅专栏

书名：《Graph Neural Networks Foundations,Frontiers and Applications》(图神经网络的基础、前沿和应用)

出版社：Springer Berlin Heidelberg

作者：Lingfei Wu · Peng Cui · Jian Pei · Liang Zhao

红色部分为个人的一些解读，不足之处请多多指点！

符号

本章提供了一个简明的参考，描述了本书中使用的符号。

1.数字、数组和矩阵

标量 $x$

向量 $\mathbf{x}$

矩阵 $X$

单位矩阵 $I$

实数集 $R$

复数集 $C$

整数集 $Z$

长度为 $n$ 的向量 $R^{n}$

$m$ 行 $n$ 列的矩阵 $R^{m\times n}$

包括 $a$ 和 $b$ 的实数区间 $\left [ a,b \right ]$

包括 $a$ 但不包括 $b$ 的实数区间 $[a,b)$

向量 $\mathbf{x}$ 中第 $i$ 个元素的索引 $\mathbf{x}_{i}$

矩阵 $X$ 中第 $i$ 行 $j$ 列元素的索引 $X_{i,j}$

2.图相关基础

图 $G$

边集 $\varepsilon$

顶点集 $\nu$

图的邻接矩阵 $A$

拉普拉斯矩阵 $L$

对角线度矩阵 $D$

图 $G$ 和 $H$ 同构 $G\cong H$ （一个图的邻接矩阵经过有限次的互换行或列的变换变成另一个图的邻接矩阵，则两个图同构。）

图 $H$ 是图 $G$ 的子图 $H\subseteq G$

图 $H$ 是图 $G$ 的真子图 $H\subset G$

图 $H$ 和图 $G$ 的并集 $G\cup H$

图 $H$ 和图 $G$ 的交集 $G\cap H$

图 $H$ 和图 $G$ 的不相交并集 $G+H$ （该操作其实就是两个图取并集，但是两个图完全不相交）

图 $H$ 和图 $G$ 的笛卡尔积 $G\times H$

图 $H$ 和图 $G$ 的联接 $G\vee H$ （针对两个完全不相交的图，先做 $G+H$ ，之后将 $G$ 中每个顶点与 $H$ 中每个顶点连接，得到的新图即为 $G\vee H$ ）

3.基本操作

矩阵 $X$ 的转置 $X^{T}$

矩阵 $X$ 和 $Y$ 的点积 $X\cdot Y \quad or \quad XY$

矩阵 $X$ 和 $Y$ 元素层面上的乘积（哈达玛积） $X\bigodot Y$ （两个矩阵必须大小一样，运算是矩阵 $X$ 和矩阵 $Y$ 里面相同位置的元素相乘）

$\mathbf{x}$ 的 $p$ 范式(也叫 $l_{p}$ 范式) $\left \| \mathbf{x} \right \|_{p}$

并集 $\cup$

交集 $\cap$

子集 $\subseteq$

真子集 $\subset$

向量 $\mathbf{x}$ 和 $\mathbf{y}$ 的内积 $<\mathbf{x},\mathbf{y} >$

4.函数

定义域为 $A$ ，值域为 $B$ 的函数 $f$ $f:A\rightarrow B$

$y$ 对 $\mathbf{x}$ 的导数 $\frac{dy}{d\mathbf{x}}$

$y$ 对 $\mathbf{x}$ 的偏导数 $\frac{\partial y}{\partial \mathbf{x}}$

$y$ 对 $\mathbf{x}$ 的梯度 $\bigtriangledown _{\mathbf{x}}y$

$y$ 对矩阵 $X$ 的矩阵导数 $\bigtriangledown _{X}y$

函数 $f$ 在输入向量 $\mathbf{x}$ 上的海森矩阵 $\bigtriangledown ^{2}f\left ( \mathbf{x} \right )$ （是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率。）

$\mathbf{x}$ 在整个定义域上的定积分 $\int f\left ( \mathbf{x} \right )d\mathbf{x}$

$\mathbf{x}$ 在集合 $S$ 上的定积分 $\int _{S}f\left ( \mathbf{x} \right )d\mathbf{x}$

参数为 $\Theta$ 的一个函数 $\mathbf{x}$ $f\left ( \mathbf{x};\Theta \right )$

函数 $f$ 和 $g$ 之间的卷积 $f\ast g$

5.概率论

$a$ 在 $A$ 中的概率分布 $p\left ( a \right )$

在 $A$ 中,给定 $a$ 的情况下， $b$ 的条件概率分布 $p\left ( b\mid a \right )$

随机变量 $a$ 和 $b$ 是独立的 $a\perp b$

在给定的 $c$ 条件下，变量 $a$ 和 $b$ 是条件独立的 $a\perp b\mid c$

具有概率分布 $p$ 的随机变量 $a$ $a\sim p$

在概率分布 $p$ 下， $f\left ( a \right )$ 相对于变量 $a$ 的期望 $E_{a\sim p}\left [ f\left ( a \right ) \right ]$

均值为 $\mu$ ，方差为 $\sum$ 的 $\mathbf{x}$ 高斯分布 $N\left ( \mathbf{x};\mu ,\sum \right )$

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
打赏
0
评论
《Graph Neural Networks Foundations,Frontiers and Applications》预备章节（符号）翻译和解读

《Graph Neural Networks Foundations,Frontiers and Applications》预备章节（符号）翻译和解读
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

刘大彪 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

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。