本文是跟李沐读论文的笔记,这篇介绍了A Gentle Intorduction to Graph Neural Netoworks这篇文章。
文章目录
-
-
- 1.引言
- 2.什么是图
- 3.与图结构相关的一些问题
- 4.Graph Neural Networks
- 5.GNN PlayGround
- 6.相关知识
-
- Other types of graphs (multigraphs, hypergraphs, hypernodes, hierarchical graphs)
- Sampling Graphs and Batching in GNNS
- Comparing aggregation operations
- GCN as subgraph function approximators
- Edges and Graph Dual
- Graph convolutions as matrix multiplications, and matrix multiplications as walks on a graph
- Graph Attention Networks
- Graph explanations and attributions
- Generative modelling
-
1.引言
本文介绍了GNN,GNN已经有了很多领域的应用,例如:antibacterial discovery(抗生素发现) , physics simulations(物理模拟), fake news detection(假新闻检测), traffic prediction(流量预测) 和推荐系统等领域。
如下图所示,图神经网络可以表示很多的信息。
本文共分为四部分,首先介绍了哪些数据更容易表示成图数据,讲了一些例子。其次我们探索了图结构数据和其它类型数据的不同,以及使用图数据时,我们不得不做的一些选择。然后我们介绍了一个GNN的模型。最后我们提供了一个GNN playground,可以在上面进行一些实验。
2.什么是图
从上图中可以看出,图代表了节点之间的关系,由三部分组成分别是V、E、U,VE分别代表点和边,U表示整个图的信息。无向图和有向图的区别。
我们可以在VEG上存储不同的信息,例如上图所示,利用embedding来表示信息。
举例
image as graphs
从上图可以看出,image由一些像素点组成,每个像素点的位置用xy坐标表示,我们用邻接矩阵来表示这个结构,如果有有颜色,就代表有连接。
text as graphs
molecules as graphs
social network as graphs
citation network as graph
Machine learning models, programming code and math equations同样可以表示成图。
3.与图结构相关的一些问题
在图上的预测任务中有三种类型,分别是graph-level、edge-level、node-level。
在图级任务中,我们预测整个图的单个属性。对于节点级任务,我们预测图中每个节点的某些属性。对于边级任务,我们希望预测图形中边的属性或存在。
graph-level task
例如:图的分类