Learning Convolutional Neural Networks for Graphs

最新推荐文章于 2020-10-23 21:58:19 发布

怕狗子的福哥

最新推荐文章于 2020-10-23 21:58:19 发布

阅读量1.1k

点赞数

分类专栏：图网络文章标签：深度学习

本文链接：https://blog.csdn.net/qq_45312141/article/details/106756898

版权

该论文提出了一种将卷积神经网络应用于非欧几里得结构，尤其是图的方法。通过节点序列选择、邻域组装和图规范化等步骤，将图数据转换为适合CNN处理的形式。利用Weisfeiler-Lehman算法进行图的划分和节点排序，最终构建卷积架构，实现对图数据的高效学习和分析。

摘要由CSDN通过智能技术生成

Learning Convolutional Neural Networks for Graphs

introduction
method

introduction

本 $p a p e r$ 将图像（ $i m a g e$ ）看作是一种特殊的图（ $g r a p h$ ），即一种 $grid\ graph$ ，每一个像素就是 $g r a p h$ 当中的一个 $n o d e$ 。对于图像来说，卷积神经网络对输入图像的局部关联的区域进行操作，和此类似，本文提出了一种通用的方法，也抽取图中局部关联的区域进行相应的操作。
文章的 $m o t i v a t i o n$ 主要来自于想将 $C N N$ 在图像上的应用 $g e n e r a l i z e$ 到一般的 $g r a p h$ 上面（将局部连接区域作为输入）。
主要要解决 $2$ 个问题：
1.如何确定 $w$ 个中心节点序列并为之创建邻域？
2.如何一个将图表示唯一映射到一个向量表示上，使得领域图之间相似结构的节点处于向量表示中相似的位置？

同构图 在这里插入图片描述
Graph kernel

有哪些指标可以描述两个图（graph）的相似度？

nauty
McKay提出的首先将图表示为某种规范形式,然后再判断是否同构的著名的Nauty(no automorphisms)算法，目前最快的图同构问题解决方案Nauty通过选择词典上最大的邻接矩阵来打破相等关系

The Weisfeiler-Lehman algorithm

method

Node Sequence Selection

首先对于输入的一个 $G r a p h$ ，需要确定一个宽度 $w$ ，它表示也就是要选择的 $n o d e s$ 的个数。其实也就是感知野的个数（其实这里也就是表明，每次卷积一个 $n o d e$ 的感知野，卷积的 $kernel\ size$ 的）

1： $l a b e l i n g$ 算法确定一个 $g r a p h$ 中 $n o d e$ 次序（主要采取的是中心化的测量方式，这里的中心应该是度量一个点的关系中的重要性的概念；比如可以用 $node\ degree$ 来确定，或 $betweeness\ centrality$ 等）。

$graph\ labeling$ （对图的节点做标记，比如可以用节点的度做标记，做图的划分，也可以叫做 $color\ refinement\ or\ vertex\ classification$

最低0.47元/天解锁文章

怕狗子的福哥

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
Learning Convolutional Neural Networks for Graphs

Learning Convolutional Neural Networks for Graphs一级目录Node Sequence Selection三级目录一级目录Node Sequence Selection首先对于输入的一个GraphGraphGraph，需要确定一个宽度www，它表示也就是要选择的nodesnodesnodes的个数。其实也就是感知野的个数（其实这里也就是表明，每次卷积一个nodenodenode的感知野，卷积的stride=kernel sizestride= k
复制链接

扫一扫

专栏目录