图深度学习(deep learning on graphs)第五章阅读笔记

Graph Neural Networks

一、introduction
GNN将深度神经网络应用到图结构上去。GNN可以大致被用于解决node-focused 和graph-focused tasks。对于node-focused task,GNN更注重于学习每个节点的良好的特征,对于graph-focused task,GNN更注重于全图的表示学习。GNN学习节点特征的过程可能会影响到节点特征以及图的结构。将input为节点特征和图结构,output为新的节点的特征的过程简要概括为图卷积操作(graph filtering operation):请添加图片描述
其中 A A A代表了原图的邻接矩阵。
请添加图片描述
对于node-focused任务,图卷积操作就已经足够了,多层图卷积层被应用来产生最终的节点特征。请添加图片描述
graph pooling操作用于将节点特征生成graph-level features。请添加图片描述
请添加图片描述
对于graph-focused任务,GNN需要filtering以及pooling操作;对于node-focused任务,GNN只需要filtering操作即可。

二、通用GNN框架

1、node-focused task 的通用框架
这种框架可以被视为是graph filtering layer和非线性激活函数的组合。
请添加图片描述
2、graph-focused task 的通用框架
graph-focused任务包括三种层:图卷积层、激活层、以及图池化层。一个coarsened图(with更抽象和更高等级的特征)被生成。过程可以描述如下:请添加图片描述
请添加图片描述
三、graph filters
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
四、graph pooling(这页的下半部分开始)请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值