GNN从入门到精通
文章平均质量分 76
面包片片
这个作者很懒,什么都没留下…
展开
-
生成对抗网络(GAN)在图网络中的应用
1.背景知识网络表征学习(Graph Representation Learning、 Network Embedding、 Graph Embedding):将图中的每一个节点映射到低维的向量空间,以便进行下游任务(例如节点分类,链路预测等)图表征学习的研究从很早就开始了,从最简单的邻接矩阵表示,到后面对邻接矩阵进行矩阵分解(SVD),再到基于随机游走的方法(DeepWalk、Node2Vec)以及Graph Neural Network和基于注意力机制的Graph Attention Networ原创 2022-05-16 17:25:00 · 978 阅读 · 0 评论 -
GNN从入门到找门--图神经网络
1.GCN转换过程将矩阵通过傅里叶变换转换成谱域,通过逆傅里叶变换转换成空域,得到GCN网络,大部分图神经网络使用空域。从空域角度理解GCN一个不断提取图特征的过程,(邻接矩阵A+单位矩阵)和特征矩阵相乘的物理意义:聚合此节点周围所有邻居的特征,以及自己本身的特征,然后左右乘度矩阵(原度矩阵基础上+1)进行归一化。GCN网络只改变每个节点的维度,不改变图的结构。将最终一层维度等于类别数,输出结果进行softmax,既得到每个节点属于某个标签的概率,可进行分类。或者把GCN当作特征提取器,将最原创 2022-04-11 19:47:36 · 746 阅读 · 0 评论 -
GNN从入门到精通--复杂图的embedding (3)
1.异质图嵌入异质图异质图存在不同类型的节点(节点关联的特征类型不相同),旨在将不同类型的节点映射到一个公共嵌入空间。不同类型的节点可能有不同形式(文本、图像…)和维度的节点特征,每种节点类型采用不同的深度模型,将相应特征映射到公共嵌入空间。例如,与节点关联的特征是图像时,CNN可以被用作映射函数。学习的目标是保留节点之间成对的连接信息,所以提取器提取出相连节点的信息(邻接矩阵),重构器根据嵌入域的表示来恢复邻接矩阵A。图注:某一节点对 i 和 j 在重构的邻接矩阵中值为1和0的概率(节点对相连的概原创 2022-04-11 16:06:32 · 1334 阅读 · 0 评论 -
GNN从入门到精通 -- Graph Embedding (2)
1.什么是图嵌入将图中的每个节点映射为一个低维的向量表示,映射后的向量应尽可能多的保留原图中节点的关键信息,以便更好地进行下游任务。2.哪些信息需要被保留?不同的图嵌入算法信息保留的侧重点也不一样,根据不同的下游任务,原图中需要保留的信息重要性程度也不一样(例如节点的邻域信息,结构角色,社区信息等)。3.如何保留关键信息?大多数技术共同思想就是,利用嵌入域中的节点表示,重构出要保留的图域信息(因为良好的节点表示应该能够重构出希望保留的关键信息),所以整个节点嵌入的学习过程就是,最小化重构原创 2022-04-08 21:39:07 · 1234 阅读 · 0 评论 -
GNN从入门到精通--Graph基本介绍(1)
1 连通图,连通分量对于一个无向图,如果任意节点i能通过一些边到达节点j,则称为连通图。无向图G的一个极大连通子图称为G的一个连通分量。连通图只有一个连通分量;非连通的无向图有多个连通分量。2 有向图的连通性强连通图:有向图中任意一对节点可达弱连通图:至少有一对节点不满足单向连通,但去掉边的方向后,节点之间可达3 最短路径,图直径最短路径:图中两节点之间路径中最短的图直径:图中任意所有节点最短路径的最大值4 度中心性(节点的度)/ (n-1) n为图中节点总数原创 2022-04-07 09:37:16 · 639 阅读 · 0 评论