第一课.图与图神经网络

图(Graph)和图像(Image)是两个事物,图是一种数据结构,由节点(nodes)和边(edges)组成,边代表了节点之间的关系;图 G G G可用序偶描述:
G = ( V , E ) G=(V,E) G=(V,E)
其中, V = { v 1 , v 2 , . . . , v n } V=\left\{v_{1},v_{2},...,v_{n} \right\} V={v1,v2,...,vn}代表vertices(顶点); E E E代表边,如果是有向边,则用有序偶表示: e = < u , v > e=<u,v> e=<u,v> u u u代表起点, v v v代表终点,如果是无向边则用无序偶表示: e = ( u , v ) e=(u,v) e=(u,v)

每个节点可以有自己的属性(attribute)或称为特征,对于有向图,如果存在节点A指向结点B,意味着有信息message从A传到B,该过程被称为信息聚合;

当节点A指向B,B也指向A时,A与B之间的连接成为无向边,所以图中的边一切皆有向;当图 G G G中有节点构成环(有向)时,称为循环图;

根据节点之间的连接关系,又可以分为非连接图,连接图,完全连接图:
fig1
图可以表示各种对象,从社交网络到化学分子,而图神经网络(GNN,Graph Neural Networks)是基于图域信息的神经网络,GNN是一个新浪潮;

GNN可以实现节点分类,边的预测(预测node1与node2是否有边相连接),整个图的分类(比如判别化学式);

CNN与RNN的操作数据是简单的序列数据,应用对象单一且固定,GNN的数据是无序的复杂网络,图数据难以可视化,图本身很抽象,而GNN易于处理关系问题;GNN的应用范围广泛:All is Graph!

下图左边是CNN的应用,右边是GNN的应用:

fig2
下面均是GNN的应用场景:

fig3

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 数字20 设计师:CSDN官方博客 返回首页