图神经网络入门

目录

1. 图神经网络背后的动机

2. GNN 算法

3. GNN 在 Karate 网络上的实现

4. GNN 的应用

5. GNN 的挑战

6. GNN 研究论文

图神经网络背后的动机

由于图形能够以可以客观分析的方式表示现实世界，因此如今它们受到了很多关注。图可用于表示许多现实世界的数据集，如社交网络、分子结构、地图、网络链接数据、自然科学、蛋白质-蛋白质相互作用网络、知识图等。

此外，非结构化数据，如图像文本可以以图形的形式建模。图是对一组对象（节点）及其关系（边）进行建模的数据结构。

图分析作为一种独特的机器学习非欧数据结构，侧重于节点分类、图分类、链接预测、图聚类和图可视化等任务。

图神经网络 (GNN) 是基于深度学习的方法，可在图域上运行。由于其在涉及非欧空间的现实世界问题中的良好表现，GNN 已成为近来广泛应用的图分析方法。

图神经网络算法

一个节点可以用它的特征和图中的相邻节点来表示。GNN 的目标是学习一个状态嵌入，它对每个节点的邻域信息进行编码。状态嵌入用于产生输出，例如预测节点标签的分布。

GNNs 是信息扩散机制和神经网络的结合，代表了一组转换函数和一组输出函数。信息扩散机制由节点表示，节点在其中更新其状态，并通过将“消息”传递给其相邻节点来交换信息，直到它们达到稳定的平衡。

转换函数以每个节点的特征、每个节点的边缘特征、相邻节点的状态和相邻节点的特征作为输入，输出是节点的新状态。

图 2

空手道俱乐部社交网络上的图神经网络实现

在本节中，让我们看看如何将 GNN 应用于空手道网络，这是一种简单的图网络。

1. 空手道网络资料背景：

两个 34×34 矩阵

1. ZACHE 对称，二进制

2. ZACHC 对称，有值。

这些数据是 Wayne Zachary 从大学空手道俱乐部成员那里收集的。ZACHE 矩阵表示俱乐部成员之间是否存在联系；ZACHC 矩阵表示关联的相对强度（发生互动的俱乐部内外情况的数量）。

Zachary (1977) 利用这些数据