将一个数据(一个图)输入到网络(GNN)中,会得到一个输出数据(同样是图),输出的图和输入的图相比,顶点、边、以及全局信息会发生一些改变。GNN采用“图入图出”架构,也就是说模型将图作为输入,改变图的信息后进行输出。
简单来说:GNN模型就是 一张图输入,经过GNN层(实质上就是三个分别对应点、边和全局的MLP),输出一个属性已经变换的图,在经过全连接层,得到输出。
顶点、边和全局信息都是独立处理的,只在最后Pooling时使用了连通性信息。
加入信息传递:在每一层GNN层中加入Pooling,让相邻顶点、边、以及全局信息之间进行信息传递,而不是等到最后进行预测的时候才进行Pooling。
GNN输入信息包括(1)顶点信息(2)边信息(3)全局信息(4)顶点之间的连接信息。
以一张5*5*3的照片为例
(1)顶点信息 是一个25*3的矩阵
(2)边信息是72*边的向量维度
(3)全局信息 比如是否含有环
(4)顶点之间的连接信息 邻接矩阵就是
GNN的最终目的是 对图进行预测(也就是全局信息)、对顶点信息进行预测和对边信息进行预测。
总结,比GCN简单,只有MLP使用,没有卷积结构,同样是用在2D图像上。
参考以下作者文章:
https://blog.csdn.net/qq_44452377/article/details/127042725?spm=1001.2014.3001.5506