GNN-图卷积模型-2017：MPNN（消息传递神经网络）【消息传递（前向传播）：聚合函数(消息传递)+更新函数(状态更新)】【图卷积模型统一框架】

已于 2024-02-14 13:37:51 修改
阅读量1.8k 收藏 4
点赞数 1
分类专栏： 图神经网络 文章标签： 神经网络
于 2021-08-15 10:47:16 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/u013250861/article/details/119710779
版权
本文介绍了Google科学家提出的MPNN（消息传递神经网络）模型，这是一种图卷积的统一框架。MPNN将空域卷积分解为消息传递和状态更新两部分，用于化学分子的有监督学习，适用于化学、药物发现和材料科学。论文证明了MPNN在化学分子性能预测上的有效性，并提出了虚拟边、主节点、多塔等策略。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

《原始论文：Neural Message Passing for Quantum Chemistry》

在这里插入图片描述

一、概述

从设计理念上看，空域卷积与深度学习中的卷积的应用方式类似，其核心在于聚合邻居结点的信息。

比如说，一种最简单的无参卷积方式可以是：将所有直连邻居结点的隐藏状态加和，来更新当前结点的隐藏状态。

在这里插入图片描述

这里非参式的卷积只是为了举一个简单易懂的例子，实际上图卷积在建模时需要的都是带参数、可学习的卷积核。

消息传递网络(MPNN)《Neural Message Passing for Quantum Chemistry》 是由Google科学家提出的一

了解本专栏 订阅专栏 解锁全文 超级会员免费看
图神经网络实战（18）——消息传播神经网络
盼小辉丶的博客
08-09 4796
消息传递神经网络 (Message Passing Neural Network, MPNN) 通过消息传播机制对多种图神经网络 (Graph Neural Networks, GNN) 模型做出了一般性总结。在本节中，我们介绍了 MPNN 框架，该框架通过信息、聚合和更新三个步骤统一了 GNN 层，同时介绍了如何在 PyTorch Geometric 中使用 MPNN 创建图卷积网络 (Graph Convolutional Network, GCN) 层。
图神经网络通用框架 —— MPNN消息传递神经网络
CSDN 精品推荐
11-09 2940
大家好，我是阿光。本专栏整理了《图神经网络》，内包含了不同图神经网络的原理以及相关代码实现，详细讲解图神经网络，理论与实践相结合，如GCN、GraphSAGE、GAT等经典图网络，每一个代码实例都附带有完整的代码+数据集。正在更新中~ ✨。
消息传递神经网络（MPNN）
最新发布
Heyxy的博客
03-20 174
1、图中黄色方框部分展示的是一次邻接节点信息传递到中心节点的过程：B节点的邻接节点（A,C）的信息经过变换后聚合到B节点，接着B节点信息与邻接节点聚合信息一起经过变换得到B节点的新的节点信息。实际上，同样的过程在所有节点上都进行了一遍，所有的节点的信息都更新了一遍。如图中蓝色方框部分所示，A节点的邻接节点（B,C,D）的已经发生过一次更新的节点信息，经过变换、聚合、再变换产生了A节点第二次更新的节点信息。消息传递图神经网络遵循上述的“聚合邻接节点信息的过程”，来生成节点表征。
消息传递神经网络（Message Passing Neural Networks, MPNN）
????
11-29 2274
消息传递神经网络是Gilmer等人在中提出来的从空域角度定义GNN的范式（框架）。原文以量子化学为例，根据原子的性质（对应节点特征）和分子的结构（对应边特征）预测了13种物理化学性质。MPNN的前向传播包括两个阶段，第一个阶段称为message passing（消息传递）阶段，第二个阶段称为readout（读出）阶段。
【GNN】MPNN：消息传递神经网络
zenRRan的博客
04-11 7973
今天学习的是谷歌大脑的同学 2017 年的工作《Neural Message Passing for Quantum Chemistry》，也就是我们经常提到的消息传递神经网络（Mess...
PYG图卷积中的消息传递
m0_52647764的博客
04-20 857
图卷积网络中的消息传递，在PyG中实现。
message passing neural network——MPNN
彭伟的博客
07-25 4607
《message passing neural network 》 这篇工作是2017 年的工作《Neural Message Passing for Quantum Chemistry》，消息传递神经网络（Message Passing Neural Network，MPNN） 分为以下几个部分介绍： CONTRIBUTION INTRODUCTION METHOD RESULTS CONLUSION CONTRIBUTION MPNN在13个靶向物中达到很好的效果，而且在13个靶向物中的11个进行
GNN-图卷积模型-归纳式-2017：GraphSAGE【消息传递（前向传播）：聚合+更新】【聚合函数：lstm/pool】【训练更新函数参数】【不全图卷积，每次采样一批节点来卷积训练】【同质图】
u013250861的博客
08-15 1034
图神经网络(GNN)：GraphSAGE【归纳式学习框架】
GNN-图卷积模型-直推式-2016：GCN【消息传递（前向传播）：聚合函数+更新函数】【聚合函数：mean（邻域所有节点取平均值）】【训练更新函数的参数】【空域+频域】【同质图】
u013250861的博客
08-15 1868
图神经网络(GNN)：GCN【开山之作】
GNN：“图卷积模型”通用框架【每一层网络都基于邻域节点(1-hop)更新当前节点的向量表示（一般用2~3层）】【消息传递：①从邻域节点汇聚信息；②更新当前节点状态】【各模型区别：聚合函数类型的选取】
u013250861的博客
10-30 1383
在开始正式介绍图卷积之前，我们先花一点篇幅探讨一个问题：为什么研究者们要设计图卷积操作，传统的卷积不能直接用在图上吗？ 要理解这个问题，我们首先要理解能够应用传统卷积的**图像(欧式空间)与图(非欧空间)**的区别。如果把图像中的每个像素点视作一个结点，如下图左侧所示，一张图片就可以看作一个非常稠密的图；下图右侧则是一个普通的图。阴影部分代表卷积核，左侧是一个传统的卷积核，右侧则是一个图卷积核。卷积代表的含义我们会在后文详细叙述，这里读者可以将其理解为在局部范围内的特征抽取方法。仔细观察两个图的结构，我们可
图神经网络系列之消息传递
君子之学必日新，日新者日进也。不日新者必日退，未有不进而不退者
09-19 2832
相比较于神经网络最基本的网络结构全连接层（MLP），特征矩阵乘以权重矩阵，图神经网络多了一个邻接矩阵。计算形式很简单，三个矩阵相乘再加上一个非线性变换。因此一个比较常见的图神经网络的应用模式如下图，输入是一个图，经过多层图卷积等各种操作以及激活函数，最终得到各个节点的表示，以便于进行节点分类、链接预测、图与子图的生成等等任务。消息传递机制（属性向量优化的方法叫做消息传递机制）是目前GNN的主流研究方向，以下面这个无向图举例说明各类别网络的消息传递机制的不同。
4-消息传递图神经网络.pdf
06-19
4-消息传递图神经网络.pdf
MPNN消息传递神经网络
暴力扬
07-16 2849
MPNN是一种强大的图神经网络模型，通过消息传递机制捕捉图结构数据的复杂关系。它的灵活性和通用性使其在多个领域有广泛的应用。
信息在神经网络中的传递
lijf2001的博客
08-11 1031
了解完神经网络的基本结构之后，就应该来看看信息是如何在神经网络中传递的。 以简单的三层神经网络为例 在这个简单的神经网络中，隐藏层只有一层。 先看输入层与隐藏层， 不妨假设输入层有nnn个结点，隐藏层有mmm个结点， 这样结点之间就有n×mn\times mn×m条边了。 利用图论中的邻接矩阵，将所有的边权记录下来。 用wi,jw_{i,j}wi,j​表示从输入层的第iii号结点，到隐藏层的第jjj号结点的边权。 用viv_ivi​表示输入层的第iii个结点的权值，uiu_iui​表示隐藏层第iii个结点的
GNN系统学习：消息传递图神经网络
m0_51448653的博客
11-11 1625
下方图片展示了基于消息传递范式的聚合邻接节点信息来更新中心节点信息的过程图中黄色方框部分展示的是一次邻接节点信息传递到中心节点的过程：B节点的邻接节点（A,C）的信息经过变换后聚合到B节点，接着B节点信息与邻接节点聚合信息一起经过变换得到B节点的新的节点信息。同时，分别如红色和绿色方框部分所示，遵循同样的过程，C、D节点的信息也被更新。实际上，同样的过程在所有节点上都进行了一遍，所有节点的信息都更新了一遍。这样的“邻接节点信息传递到中心节点的过程”会进行多次。
图卷积和消息传递理论的可视化详解
deephub
01-28 4672
本文中将研究如何基于消息传递机制构建图卷积神经网络，并创建一个模型来对具有嵌入可视化的分子进行分类。 假设现在需要设计治疗某些疾病的药物。有一个其中包含成功治疗疾病的药物和不起作用的药物数据集，现在需要设计一种新药，并且想知道它是否可以治疗这种疾病。如果可以创建一个有意义的药物表示，就可以训练一个分类器来预测它是否对疾病治疗有用。我们的药物是分子式，可以用图表表示。该图的节点是原子。也可以用特征向量 x 来描述原子（它可以由原子属性组成，如质量、电子数或其他）。为了对分子进行分类，我们希望利用有关其空间结
消息传递神经网络(pyG实现GCN层）
qq_42766639的博客
06-19 1792
消息传递神经网络一、引言二、消息传递范式介绍三、消息传递的实现（pyG）1、MessagePassing基类2、继承MessagePassing实现GCNConv 一、引言 为节点生成节点表征是图计算任务成功的关键，神经网络的生成节点表征的操作叫做节点嵌入（node embeddi ng） 二、消息传递范式介绍 基于消息传递范式的生成节点表征的过程： 我们从左往右来看此图。图的左边是我们输入的整张图（INPUT GRAPH），由ABCDEFG六个节点组成，现在目标是得到更新之后A节点（target no
【图神经网络DGL】消息传递范式（消息+聚合+更新）
发现问题，并解决问题，批判性思维
01-06 7071
- 消息函数（message function）：传递消息的目的是将节点计算时需要的信息传递给它，因此对每条边来说，每个源节点将会将自身的Embedding（e.src.data）和边的Embedding(edge.data)传递到目的节点；对于每个目的节点来说，它可能会受到多个源节点传过来的消息，它会将这些消息存储在"邮箱"中。 - 聚合函数（reduce function）：汇聚函数的目的是根据邻居传过来的消息更新跟新自身节点Embedding，对每个节点来说，它先从邮箱（v.mailbox['
PyTorch实现的himp-gnn：分层消息传递学习分子图
标题中提到的"分层消息间传递"是一种算法概念，属于图神经网络（Graph Neural Networks, GNNs）的范畴。这种算法旨在通过消息传递的方式在图结构数据中传播信息，从而学习到节点的嵌入表示。在分子图的上下文中，...
评论 1
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