论文笔记-graphormer

chenxino

已于 2022-09-20 19:46:18 修改

阅读量940

点赞数 1

分类专栏：论文笔记文章标签：深度学习机器学习人工智能

于 2022-09-20 19:45:18 首次发布

本文链接：https://blog.csdn.net/weixin_42533527/article/details/126960124

版权

论文笔记专栏收录该内容

14 篇文章 6 订阅

订阅专栏

论文名	Do Transformers Really Perform Bad for Graph Representation?
作者
简介	transformer在图表征中的运用

Intro

transformer最初被作为建模序列的模型，作者认为将其运用到图中最重要的是合理的运用图中的结构信息到transformer中。self- attention对每个点仅仅计算节点之间语义的相似度，没有考虑任何结构信息。作者提出3种有效的机构编码方式，中心性编码，空间位置编码，边特征编码。

Graphormer

明确下模型目标是表征整图

中心性编码

在transformer中注意溜系数是基于节点之间语义关系建立的，节点中心性可以衡量一个节点在图中的重要性，是理解图的一个重要特征。名人在社交网络中会有更大的影响力。作者采用节点度作为一个附加信号（特征），具体的作者根据每个节点的入度出度两个值的embedding向量，构建中心性编码。中心性编码直接与特征相加。

空间编码

（神似相对位置编码）

transformer的一个有点就是全局的一个接受野，但是一个副作用是必须一个显示的位置编码来指定位置依赖。例如序列数据中使用的绝对位置编码（三角函数的编码）。图数据中节点并不是序列，而是多维空间的中点和边。为了编码这种结构信息，采用空间编码。对图G建立一个\phi(v_i,v_j)表示两个节点之间空间相关性，论文中使用节点之间的最短路径（SPD）表示，不可达时为-1，为每个值分配一个可学习向量，然后作为注意力系数的偏置项，如下

好处：1、SPD是局部图 2、b是可学习的，能自适应决定加强关系或者减弱关系。

边编码

边在图中也是具有特征的，例如分子图中的不同化学键。为了编码这样的特征，目前有两种方法，一种是将边特征加入到相应的节点特征中，另一种这是在每个节点聚合节点特征时加入边的特征，但是这些方法都是使用将边的特征运用到其相邻节点，这不是一种有效的利用边特征表征整图的方法。作者的做法是将边的特征也编码到attention层里。具体的，对每个点对，找一条最短路径SP，计算最短路径中每条边特征与一个可学习向量（注意是整个图有多少边就有多少条向量）的点积，计算这些点积的均值。

细节说明

layer normalization被放到了多头注意力和前馈神经网络前，据说是更有效的结构，如下公式

并且FFN层中将隐藏层维度d_ff设置为d_model相同大小。

graphormer中添加一个特殊的节点[VNode]，让所有节点都于VNode相连，但消息传播（AGGREGATE-COMBINE ）过程视为正常节点处理，这样VNode最后一层的特征就能够作为最后的整图表征。类似BERT中的[CLS]，另外在空间编码时，VNode也其他节点的链接视为独特的，有单独的b。