【GNN】图神经网络学习记录

已于 2022-04-14 22:02:33 修改
阅读量518 收藏
点赞数 3
分类专栏： 神经网络 文章标签： 神经网络
于 2022-04-13 20:17:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45719936/article/details/124155049
版权
本文深入探讨了图神经网络（GNN）的基本原理，包括groundtruth、embedding和邻接矩阵等核心概念。GNN通过节点的聚合与更新操作，捕获图结构中的信息，用于预测未知节点标签。其特点是结果对节点重排保持不变。GNN的迭代过程允许节点获取高阶邻接信息，并通过损失函数进行优化。总结了GNN的一句话表述：近朱者赤，近墨者黑。
摘要由CSDN通过智能技术生成

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。
在这里插入图片描述

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

在这里插入图片描述
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

-猫耳朵-
关注
专栏目录
GNN图神经网络原理解析
m0_51339444的博客
02-10 864
GNN图神经网络原理解析
使用Python实现深度学习模型：图神经网络（GNN）
最新发布
Echo_Wish的博客
06-26 660
数据准备：准备图结构数据。数据预处理：处理图数据以便输入到GNN模型中。模型构建：使用深度学习框架构建GNN模型。模型训练和评估：训练模型并评估其性能。在本文中，我们介绍了如何使用Python实现一个简单的图神经网络模型。我们从数据准备、数据预处理、模型构建和模型训练等方面详细讲解了GNN的实现过程。通过本文的教程，希望你能理解GNN的基本原理，并能够应用到实际的图结构数据中。随着对GNN和图数据的进一步理解，你可以尝试实现更复杂的模型和应用场景，如节点分类、图分类和链接预测等。
GNN学习
qq_40282662的博客
09-30 531
GNN模型 《The Graph Neural Network Model 》是第一个提出GNN的论文，将神经网络使用在图结构上。 1. GNN用来解决什么问题 对于图领域问题，假设存在函数τ\tauτ，输入图结构GGG和其中的一个节点nnn，输出是一个实值向量： τ(G,n)∈Rm\tau(G,n) \in R^{m}τ(G,n)∈Rm 图相关的问题主要可以分为两种类型： 专注于图的应用(graph-focused)：函数τ\tauτ和具体的节点无关，即τ(G)\tau(G)τ(G)，训练时，在一个图
GCN/GNN
upupyon996deqing的博客
05-31 2122
图这个数据结构与之前讨论的文本是一个序列，图片是一个矩阵来说，图更加的复杂。 对图神经网络的简单介绍。 简介：图神经网络被用在处理图的结构和性质上面，构建一个图神经网络需要什么模块 上现在的图神经网络是一个比较新的领域 博客分成四个部分： 首先是解释什么数据可以表示成一张图； 图跟别的数据有什么不一样的？ 构建一个GNN，看一下各个模块长什么样子； 提供一个GNN 的playground 解释什么是图：就是表示一些实体之间的关系，所谓的实体就是一些点，关系就是一些边； 从左到.
深度学习（36）—— 图神经网络GNN（1）
羊羊的博客
08-12 1281
图神经网络 基础知识篇 club俱乐部数据demo
从零开始学GNN
驽马十驾，功在不舍；锲而不舍，金石可镂。
10-19 702
GNN入门及常用模型介绍
图神经网络GNN介绍
Sun123234的博客
03-30 1779
图神经网络GNN介绍
图神经网络GNN
lulu_Tang的博客
12-26 521
图神经网络GNN 我将用4个PPT总结图神经网络中的基本思想与算法首先是 GNN 欧几里得形数据：包括文本、音频、图像、视频等，这些数据可以被看作欧氏空间中的样本点。包括文本、音频、图像、视频等，这些数据可以被看作欧氏空间中的样本点。 度中心性的思想是：你的社会关系越多，你的影响力就越强。 中介中心性的思想是：如果一个成员位于其他成员的多条最短路径上，那么该成员就是核心成员，就具有较大的中介中心性。 相比中介中心性，接近中心性更接近几何上的中心位置。 特征向量中心性：对图的邻接矩阵求特征值和特征向
图神经网络 - Python实现LSTM-GNN时间序列预测
11-20
图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型...利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。
GNN图神经网络 DropEdge：towards deep GCN on node classfication
huhuiwen99的博客
04-09 1311
论文笔记：DropEdge: Towards Deep Graph Covulutional Networks on Node Classification GNN可弥补深度学习的可推理和可解释的缺陷，然而，目前大部分图卷积网络，尤其是面向节点分类的网络，都是浅层网络。这些模型分类效果往往随着深度加深而变差（即使使用残差连接），这与用于图片分类的卷积网络动辄超过几十层的现象很不一致。图卷积神经网...
图神经网络(GNN)：综述【从图(Graph)到图卷积(Graph Convolution)】【各种图神经网络模型的目的就是学习到图中各个节点的Embedding表示】
u013250861的博客
09-28 2167
本文试图沿着图神经网络的历史脉络，从最早基于不动点理论的**图神经网络**(Graph Neural Network， GNN)一步步讲到当前用得最火的**图卷积神经网络**(Graph Convolutional Neural Network， GCN)。 本文的提纲与叙述要点主要参考了3篇图神经网络的Survey，分别是来自： - IEEE Fellow的 [Comprehensive Survey on Graph Neural Networks](https://arxiv.org/abs/190
GNN—图网络入门
红叶谷 wsp_1138886114的博客
09-10 8133
文章目录一、GNN概述1.1 GNN特点1.2 图类型与传播1.3 训练方法与GNN变体1.4 传播步骤与GNN变体二、GNN框架2.1 GNN的三大通用框架三、GNN的应用场景 图嵌入（graph embedding）、网络嵌入（network embedding）、网络表示学习（network representation learning），这三个概念从原理上来说其实表达的是同一件事，核心思...
GNN学习笔记
m0_43421755的博客
11-26 1283
相关连接：《图神经网络综述：模型与应用》 一.GNN提出动机 1 CNN 2 图嵌入 二.GNN 1.优点 1）可以对由元素组成的输入、输出及其依赖性进行建模， 2）可以用RNN核同时对图上的扩散过程进行建模 2.特点 1）GNN在每个节点进行传播，忽略节点的输入顺序，换句话说，GNNs 的输出对于节点的输入顺序是不变的；（改善了CNN遍历所有可能的顺序作为模型的输入的问题） 2）GNN 通常通过...
【3D计算机视觉】利用GNN网络做RGB-D的语义分割
小执着的博客
10-03 8821
《3D Graph Neural Networks for RGBD Semantic Segmentation》论文笔记 一、摘要 随着深度传感器的发展，RGBD语义分割被应用于许多问题上，如：虚拟现实，机器人以及人机交互等等。与现有的2D语义分割相比，RGBD语义分割可以通过探索深度信息来利用现实世界的几何信息辅助分割。如下图所示，在常规的2D图像上，桌子会和微波炉在像素上称为近邻，但是在3D...
【图神经网络】GNN从入门到精通
qq_42383283的博客
01-24 2366
文章目录1.Graph基本介绍1.1 图的表示1.2 图的特性• 子图 Subgraph• 接通图 Connected Graph• 连通分量 Connected Component• 最短路径 Shortest Path• 图直径 Diameter1.3 图中心性. Centrality• 度中心性 Degree Centrality• 特征向量中心性 Eigenvector Centrality• 中介中心性 Betweenness Centrality• 连接中心性 Closeness Central
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 10万+
从数据结构到算法：图网络方法初探 论文《Graph Neural Networks: A Review of Methods and Applications》 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session 文章目录图神经网络（Graph Neural Networks，GNN）1. GNN起源1.1 动..
图神经网络简介，什么是图神经网络，GNN
一起躺躺躺的博客
05-13 2万+
distill博客：A Gentle Introduction to Graph Neural Networks (distill.pub) 什么是图？ 图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。 怎么表示一张图，可以参考下面这个例子 每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的.
图神经网络（GNN）总结
I‘m Frank Lee
07-09 1万+
1 简单的图的参数介绍 G=(V,E,A)\mathcal { G } = ( V , E , A )G=(V,E,A) V(N个)是节点集合, 只描述了存在的节点 E是边集合, 只描述了存在的连接(边) A(NxN)是图的邻接矩阵, 描述了节点之间的连接关系, 当对应的边eij(连接vi,vj的边)存在的时候, 则对应的Aij = wij> 0, 若eij不存在, 则Aij = 0 D(...
GGNN与GCN图神经网络理解及应用解析
"这篇文档包含了对GGNN (Graph Grammar Networks) 和GCN (Graph Convolutional Networks) 的论文笔记，作者分享了对这两种图神经网络的理解和个人见解。笔记主要分为两个部分，第一部分介绍了GGNN的基本应用，第二...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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