PATCHY-SAN方法阅读笔记
1 将CNN应用到图结构数据时面临的问题:
-
感受野不同:
在处理图像问题时,卷积神经网络利用固定大小Kernel提取图像的特征,见下图
当面对图结构数据时,由于网络中各节点的一阶邻居数是不同的,如果仍然使用固定大小的kernel是不可行的,因为卷积核的感受野会是不同的。那么在提取邻域的时候,是否可以对邻域进行削减或padding,使得卷积操作可行(注:不是网络中所有的节点都做为中心节点进行卷积神经网络的操作,而是根据一个函数对节点先进行排序,然后根据步长选取前 w w w个节点做为中心节点)。 -
将CNN用到图结构数据时,图的节点缺乏顺序。利用一个函数(比如度中心性、介数中心性等)来对节点进行排序。
-
如何在一个计算复杂度较低的情况下学得节点的表示
2 PATCHY-SAN流程
- 总流程:
-
选取node sequence:
利用函数 l l l先对网络中的所有节点进行排序,然后根据步长选择前 w w w个节点做为中心节点。
-
为node sequence中所有的节点生成邻域网络:
基于广度优先原则来获取每个中心节点的邻域网络。 -
对所有获得的邻域网络进行归一化
对于邻居节点太多或太少的邻域网络根据邻居节点的排序进行padding或削减。在选择邻居节点的时候,要使得映射完成后的向量之间的距离和节点在网络中的距离相近,即最小化下面的公式
-
利用CNN学得节点表示
[1]: Niepert M, Ahmed M, Kutzkov K. Learning Convolutional Neural Networks for Graphs.
[2]: https://blog.csdn.net/zsfcg/article/details/82465973
[3]: https://www.cnblogs.com/KongHuZi/p/12720145.html