图神经网络简介，什么是图神经网络，GNN

目录

什么是图？

 二、怎么把一些内容表示成图

2.1 怎么把图片表示成图

 2.2 将一句话表示成图

 2.3 其他信息转换成图的例子

 2.3.1 分子结构表示成图

2.3.2 社会人物关系表示成图

2.3.3 其他可以表示成图的信息

三、哪些类型的问题有图结构数据

3.1 图层面的任务

 3.2 节点层面的任务

3.3 边层面的任务

四、神经网络用在图上面的挑战

 五、图神经网络 GNN

5.1 什么是GNN？

5.2 最简单的GNN层

5.3 通过池化信息对GNN预测

5.4 Passing messages between parts of the graph

5.5 Learning edge representations

5.6 加入全局信息

六、 GNN playground

 6.1 一些GNN的设计经验

6.1.1 顶点、边和全局信息的向量长度

6.1.2 GNN的层数

6.1.3 聚合函数

6.1.4 信息传递

七、 GNN相关的技术

7.1 其他类型的图

7.2 GNN中的采样和bath

7.3 Inductive biases

7.4 不同汇聚操作的比较

7.4 GCN作为子图的函数近似

---

distill博客：A Gentle Introduction to Graph Neural Networks (distill.pub)

什么是图？

图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。

怎么表示一张图，可以参考下面这个例子

每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的大小，每条边用一个长为8的向量来表示，全局用一个长为5的向量来表示

图分为两种，一种是有向图，一种是无向图。有向图就是单边关系图，比如A暗恋B，而B并没有暗恋A，这就是一个单边关系；无向图就是互为这种关系，比如说情侣，双方互相喜欢。

 二、怎么把一些内容表示成图

2.1 怎么把图片表示成图

比如说一张图片可以表示为一个244*244*3的tensor，244*244个像素，3个rgb通道。就可以像下图这样表示，点表示的是像素，边表示的是像素间的邻接关系，建议大家去博客看一看，可以互动，更为直观。

 

 2.2 将一句话表示成图

句子中的每个单词可以表示成一个节点，有向边表示这些单词的链接关系.

 2.3 其他信息转换成图的例子

 2.3.1 分子结构表示成图

每个原子表示成一个节点，原子间的连接键表示成一个边

2.3.2 社会人物关系表示成图

比如将“Othello”中的人物关系表示成图，点代表人物，边代表这两个人物同时在一个场景中出现过

再比如，有一个武术培训班，两个老师和很多学生，点表示人，边表示两者间做过比赛

2.3.3 其他可以表示成图的信息

作为图表的引用网络。科学家在发表论文时经常引用其他科学家的工作。我们可以将这些引文网络可视化为一个图表，其中每篇论文都是一个节点，每个有向边缘都是一篇论文和另一篇论文之间的引用。此外，我们可以将有关每篇论文的信息添加到每个节点中，例如摘要的词嵌入。（请参见 [9]、 [10]、 [11]）。

其他示例。在计算机视觉中，我们有时想要在视觉场景中标记对象。然后，我们可以通过将这些对象视为节点，将它们的关系视为边缘来构建图形。机器学习模型、编程代码[12]和数字方程式[13]也可以表述为图形，其中变量是节点，边缘是将这些变量作为输入和输出的操作。您可能会在其中一些上下文中看到术语“数据流图”。

一些在实际中碰到的图的大小

三、哪些类型的问题有图结构数据

 图上面有三种常规类型的预测任务：图层面，节点层面，边层面。

3.1 图层面的任务

在这个任务中，目标是预测图形的属性，辨别图中是否含有两个环；该任务是分类问题

 3.2 节点层面的任务

前面武术班的例子，假如说两个老师决裂，根据该社交图预测学生会选择哪个老师

3.3 边层面的任务

 先给出一张图片，然后经过语义分割将人物给分割出来，然后预测人物间的关系；这个图中顶点已经有了，相当于是预测边的属性。

 

 这样就介绍了在图上面的三种不一样的任务问题。

四、神经网络用在图上面的挑战

核心问题是怎样表示图才能是和神经网络是兼容的。图上有四种信息：顶点的属性，边的属性，全局信息以及连接性（即为每条边连接的是哪两个顶点）。前三个信息都能用向量来表示，怎么表示连接性呢？

我们可以用邻接矩阵来表示，该矩阵会是一个方阵，但是有一些问