A Gentle Introduction to Graph Neural Networks

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。

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

Node-level task

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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