前置知识
ground truth:标准答案
GNN是在图结构上应用的CNN
目的是预测没有ground truth节点的标签值
embedding:向量映射
向量是很重要的概念
Adjacency Matrix邻接矩阵:i与j是否有边
图神经网络
图的特性
图包含的信息:节点、边、连接关系、全局图。这些信息在GNN中都是用embedding向量来表示的。
p.s. 图的连接性由邻接矩阵表示。对图做任意的交换变换、图的结果都不变(同构)
下图用向量来表示Nodes、Edges、Adjacency List、Global。
GNNs
那么GNN在图节点重新排序后,结果不变这一前提下,对节点、边、全局上下文这三个属性进行了可以优化的变换。
GNN的输入是图、输出也是图(GIGO)
参考b站某视频浅入门了GNN的原理【简单粗暴带你快速理解GNN-哔哩哔哩】 https://b23.tv/GHyFAlu
GNN一句话表示即近朱者赤,近墨者黑;
步骤
聚合:计算邻居信息N,这里一般指邻居信息,公式中的权重是优化的方向
更新:根据激活函数,权重、参数blabla更新节点的特征值
循环:不断循环,使得某个点可获得其n阶节点的特征值,直至得到每个节点的feature
最后计算loss(预测值与真实值,用损失函数表示),并进行优化(例如梯度下降、最小二乘。。。)这里也不太清楚,后续继续补充