在这篇中,将介绍图神经网络的架构。关键思想是,在GNNs中,根据局部网络邻域生成节点嵌入。gnn通常由任意数量的层组成,而不是单层,以集成来自更大上下文的信息。介绍了如何使用gnn来解决优化问题,以及它强大的归纳能力。
文章目录
1. 主要内容
2. 初试设置
3. 简单想法
3.1 直接将邻接矩阵输入
3.2 CNN想法
3.3 现实世界中的图结构
3.4 从图像到图的思想
4. 图卷积网络
我们可以简单认为图卷积网络分为两个步骤:
- 确定节点计算图。
- 在计算图中传播和转换信息。
4.1 聚合邻域
与经典神经网络不同的是,图神经网络中,每个节点都可以定义自己的神经网络架构。
但这样,我们就需要同时训练多个架构。
- 多层时:
核心问题是,如何聚合邻域?
基础方法:
4.2 Deep Encoder
4.3 训练模型
要想训练我们的模型生成embeddings,我们需要定义损失函数。
确定参数: