1.机器学习中使用图(graph)的挑战
首先要考虑的问题是,如何将表示图(graph)才能让其与神经网络兼容。图的四种属性是非常重要的:节点(nodes),边(edges),全局信息(global-context),连接性(connectivity)。前三者只要各自采用特征向量的形式就可以与神经网络相兼容了
如何做预测
以对节点信息进行“二分类”任务为例,将最后一层GNN Layer输出的图中的节点向量传入全连接层,经过全连接层即可输出每个节点的预测结果。
但是,有一种特殊情况是节点没有向量信息,但是边都具有向量信息,如果仍然要对节点做预测,就要采用一种称为“汇聚”(pooling)的技术。pooling操作首先将与该节点相连接的边向量取出,另外还要取全局图向量,然后对这些向量进行sum操作得到一个新的向量,这个向量作为这个节点的向量信息。注意,这里我们默认节点、边、全局图向量的维度都是相同的,所以可直接进行sum操作,若不相同,需要先投影变换到节点向量的维度。其实从这一步就可以发现,全局向量类似于一个偏置项。
同理,对于有节点信息但没有边信息的图,若要进行边的预测,也是先进行pooling操作,即对边的两个节点向量、全局图向量进行sum操作,即得到该边的向量;对于没有全局图向量的情况,对所有的节点向量进行pooling操作即可得到全局图向量。
图神经网络
图嵌入算法:矩阵分解,随机游走,深度学习(基于图自动编码器DNGR,SDNE,,图卷积神经网络)
图卷积网络(FCN)基于谱,基于空间
图注意力机制
图自动编码器
图生成网络
图时空网络
目标函数是什么
Softmax层
Relu激活函数:
学习步长
学习率lr
动量
Adam调整各个参数学习率.SGD学习