目录@TOC
图神经网络算法
最近参加了百度的图神经网络7日打卡营,作为该领域的小白,虽然学习上比较困难,但是还是学到不少东西,哈哈哈!挺开心,感觉发现了新大陆。后续也希望多多发现现实中的图,争取能用到工作上来吧!
下面我主要对学到的常用图神经网络算法GCN,GAT模型以及图采样算法进行介绍:
1.图卷积网络(GCN)
图卷积网络,一听就应该跟卷积神经网络(CNN)有一定的关系。这时我们就需要考虑又什么样的关系呢?
- 怎么可以将图像卷积类比到图结构卷积
- 怎样类比图像卷积中卷积核的消息传递方式来实现图卷积网络
- 如何使用图网络来完成节点的分类任务
1.如何从图像卷积类比图结构卷积
图像卷积是将一个像素点周围的像素按照不同的权重叠加起来。一个像素点有周围的像素,那么一个图结构中的节点是不是也有周围的节点呢?类比图结构卷积是否就是将一个节点周围的邻居按照不同的权重叠加起来
图卷积网络计算公式
H ( l + 1 ) = σ ( D ~ − 1 2 A ~ D ~ − 1 2 H ( l ) W ( l ) ) H^{(l+1)}=\sigma\left(\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)}\right) H(l+1)=σ(D~−21A~D~−21H(l)W(l))
其中 A ~ \tilde{A} A~是邻接矩阵, D ~ − 1 2 \tilde{D}^{-\frac{1}{2}} D~−21与度矩阵相关, D D D为度矩阵, H ( l ) H^{(l)} H(l)为 l l l层的节点表示.
针对下面这张图:
它的邻接矩阵为
其中一个节点如果与其他节点存在边就记为1,否则记为0,就比如0节点与1,2节点两连,则邻接矩阵中第0行的第1,2列位置为1.
度矩阵为:
度矩阵是一个对角矩阵,并且对角线元素为邻接矩阵的每行元素之和
具体的转换过程如下:
若将 H ( l + 1 ) = σ ( D ~ −