能学一点是一点吧。本次教程依旧来自DataWhale.基于图神经网络的图表征学习方法
图表征学习,一言以蔽之,用图学图。
基于图同构网络(GIN)的图表征网络的实现
图同构网络(Graph Isomorphism Network, GIN)的图表征网络是当前最经典的图表征学习网络。该图表征学习主要包含两个过程:
1、首先计算得到节点表征;
2、其次对图上各个节点的表征做图池化(Graph Pooling),或称为图读出(Graph Readout),得到图的表征(Graph Representation)。
基于图同构网络的图表征模块(GINGraphRepr Module)
此模块首先采用GINNodeEmbedding模块对图上每一个节点做节点嵌入(Node Embedding),得到节点表征;然后对节点表征做图池化得到图的表征;最后用一层线性变换对图表征转换为对图的预测。先带着问题往下看,节点嵌入是什么意思?
基于图同构网络的节点嵌入模块
首先看一下节点嵌入,回答上面的问题:方法的目标是将节点编码为低维向量,这些低维向量总结了它们的图位置和它们的局部图邻域的结构。例如之前的例子中,节点(原子)和边(化学键)的属性都为离散值,它们属于不同的空间,无法直接将它们融合在一起。通过嵌入(Embedding),我们可以将节点属性和边属性分别映射到一个新的空间,在这个新的空间中,我们就可以对节点和边进行信息融合。
看了半天理论分析并做下作业。。。今天实在是状态差做不动笔记了。估计没对