GNN学习

最新推荐文章于 2024-06-21 21:05:35 发布

qq_40282662

最新推荐文章于 2024-06-21 21:05:35 发布

阅读量542

点赞数

分类专栏： GNN

本文链接：https://blog.csdn.net/qq_40282662/article/details/108883478

版权

本文介绍了GNN模型的基本概念和应用场景，包括图结构的定义、信息传播机制以及GNN模型的训练过程。通过一个实例展示了GNN如何在带有不同标签的图上进行训练和预测，帮助读者深入理解GNN的工作原理。

摘要由CSDN通过智能技术生成

《The Graph Neural Network Model 》

1. GNN用来解决什么问题
对于图领域问题，假设存在函数 $\tau$ ，输入图结构 $G$ 和其中的一个节点 $n$ ，输出是一个实值向量：
$\tau(G,n) \in R^{m}$
图相关的问题主要可以分为两种类型：

专注于图的应用(graph-focused)：函数 $\tau$ 和具体的节点无关，即 $\tau(G)$ ，训练时，在一个图的数据集中进行分类或回归，例如下图中，一个分子结构可以表示成 $G$ ，我们关注的问题是该分子结构对人体是否有害，因此不需要关心它具体的节点，因此采用 $\tau(G)$ ；
专注于节点的应用(node-focused)： $\tau$ 函数依赖于具体的节点 $n$ ，即 $\tau(G,n)$ ，如下例子：我们的任务是判断某个点是否在城堡上，因此我们需要关注它的具体节点，即 $\tau(G,n)$ ：

2. 图结构的定义
GNN模型基于信息传播机制，每一个节点通过相互交换信息来更新自己的节点状态，直到达到某一个稳定值，GNN的输出就是在每个节点处，根据当前节点状态分别计算输出。
在这里插入图片描述

一个图G表示为 $G = (N, E)$ ，其中 $N$ 是节点集合， $E$ 是边的集合，例如上图中： $N = [n 1, n 2, n 3, n 4], E = [e (1, 2), e (2, 3), e (1, 4), e (4, 3)]$ ；
$n e [n]$ 表示节点n的邻居节点的集合， $n e [n 1] = [n 2, n 4]$ ；
$c o [n]$ 表示以节点n为顶点的所有边的集合， $c o [n 1] = [e (1, 2), e (1, 4)]$ ；
$l_{n}$ 表示节点n的特征向量，维度是 $l_{N}$ ；
$l_{(n1, n2)}$ 表示边e(1, 2)的特征向量，维度是 $l_{E}$ ；
$x_{n}$ 表示节点n的状态向量。