文章目录
1.图神经网络应用分析
芯片设计
场景分析和问题推理
推荐系统
欺诈检测,风控相关
知识图谱
道路交通,动态流量预测
自动驾驶,无人机等场景
化学,医疗等场景
物理模型相关
2.图基本模块定义
V:点
E:边
U:属性(全局)
图神经网络的目的就是整合特征.
3.邻接矩阵的定义
每个像素点周围都有邻居,A就表示邻居之间的关系。
文本数据也可以表示图的形式,邻接矩阵表示的连接关系。
4.GNN中常见任务
输入数据不固定
5.消息传递计算方法
一般邻接矩阵表示并不是N*N,而是source,target
每个点的特征该如何更新呢?
肯定得考虑他们邻居的。
每个点特征的更新由自身的特征和邻居点的特征共同决定。
6.多层GNN的作用
GNN的本质就是更新各部分特征。
其中输入是特征,输出也是特征,邻接矩阵也不会变。
输出特征能干啥?
各个点特征组合,可以图分类,
各个节点也可以分类
边也是如此
7.GCN基本模型概述
如何获取特征呢?
通常需要:各节点输入特征,网络结构图
优势:
不需要全部标签
用少量标签也能计算
计算损失时只用有标签的
8.图卷积基本算法
GCN的基本思想
针对某个节点,计算它的特征:平均其邻居特征(包括自身)后传入神经网络。
网络层数
和卷积类似,GCN也可以做多层,每一层输入的还是节点特征。 然后将当前特征与网络结构图继续传入下层就可以不断算下去了。
图中基本组成
G:图 A:邻接矩阵 D:各个节点的度 F:每个节点的特征
特征计算方法
其实就是邻接矩阵与特征矩阵进行乘法操作,表示聚合邻居信息