GNN图神经网络

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

9.邻接矩阵的变换

10.GCN变换原理解读

11.PYG使用