图网络（Graph Network, GN）

目录

什么是图网络？

图网络框架

图网络内容

图的定义

GN块的内部结构

图网络中的关系归纳偏置

---

什么是图网络？

图网络是2018年由DeepMind、谷歌大脑、MIT和爱丁堡大学等公司和机构的27位科学家共同发表的论文《Relational inductive biases, deep learning, and graph networks》中所提出的一个基于关系归纳偏置的AI概念。研究人员称，其推广并扩展了各种神经网络方法，并为操作结构化知识和生成结构化行为提供了新的思路。

图网络框架

图网络 (GN) 框架，它定义了一类函数，用于在图结构表示上进行关系推理。我们的 GN 框架概括和扩展了各种图形神经网络、MPNN 和 NLNN 方法，并支持从简单的构建块构建复杂的体系结构。

图网络内容

图网络 (GN) 框架，它定义了一类函数，用于在图结构表示上进行关系推理。我们的 GN 框架概括和扩展了各种图形神经网络、MPNN 和 NLNN 方法，并支持从简单的构建块构建复杂的体系结构。

有向边：单向的边，从一个 "发送者 "节点到一个 "接收者 "节点。 

 属性：可以被编码为矢量、集合、甚至另一个图的属性。

属性化：边和顶点具有与之关联的属性。 全局属性：图级属性。

多图：顶点之间可以有一条以上的边，包括自边（self-edge）。

 

图的定义

GN框架内，图被定义为一个3元组G=（u；V；E）。u是一个全局属性；V 是节点的集合，V = {vi}i=1:Nv，Nv为基数，其中每个 vi 是一个节点的属性。 E是边的集合， E = {(ek; rk; sk)}k=1:Ne ，Ne为基数，其中每个ek是边的属性，rk是接收节点的索引，sk是发送方节点的索引。

图网络中节点和边的性质与图结构相同，因此也可分为有向图（directed graph）和无向图（undirected graph）。

有向图，包括递归神经网络（Recursive Neural Network）和循环神经网络（Recurrent Neuural Network）； 无向图，包括Hopfield神经网络、马尔可夫网络（Markov Network）等。

GN块的内部结构

GN block 包含三个更新函数和三个聚合函数

算法计算步骤示意图 

 

 GN块中的更新

图网络中的关系归纳偏置

首先，图可以表达实体之间的关系，实体与实体之间的关系是不确定的，也就是说GN的输入决定了实体节点之间是如何相互作用或相互独立的。两个实体之间有直接的联系，就用一个边连接起来表示；没有直接的联系，就没有边用来连接这两个实体。

其次，图将实体与实体之间的关系都用集合来表示，这意味着GN对这些元素的顺序的改变要具有不变性。

第三，GN的每条边和每个节点的函数分别在所有边和节点上重复使用。这意味着GN自动支持一种组合泛化，这是因为不管图有多少节点，节点之间的连接是怎样的，GN都能够处理。