GNN 图神经网络
学习网站:
-深度学习学习网站 信息)
应用领域
- 最大层面,芯片设计
- 场景分析、问题推理
- 系统推荐相关(个性化推荐)
- 欺诈检查、风控相关
- 知识图谱
- 道路交通,动态流量预测(竞赛热门)
- 自动驾驶,无人机等场景
- 化学,医疗领域(未来趋势方向)
- 物理模型相关:新能源电池设计,ai自动找分子组合方案做实验
图的基本组成
- V 顶点 Vertex (or node) attributes
- E Edge (or link) attributes and directions
- U Global (or master node) attributes
图神经网络要做啥:无论事整的多么复杂,我们利用图神经网络的目的就是整合特征(整合点的、边的和全局的特征,全面)
- Vertex (or node) embedding
- Edge (or link) attributes and embedding
- Global (or master node) embedding
embedding:词嵌入
图的邻接矩阵
邻接矩阵:描述节点的邻居有哪一些
无向图的邻接矩阵是对称的
为什么CV和NLP中应用GNN很少
- 传统NN模型输入格式固定,
- 因为图像和文本数据的格式都贼固定,想一想咱们的预处理
- 有图像resize成固定大小,然后进行卷积操作得到特征,格式很固定
- 文本固定长度和词向量大小,然后也是这么个事,不需要特殊的邻接矩阵
GNN,输入数据不规则,不同数据结构完全不同
社交网络人物关系,这种邻接矩阵很庞大
GNN三种级别的人物:
点:Node与Edge级别任务
边:
图:Graph级别任务
邻接矩阵:一般邻接矩阵表达形式如下,并不是一个N*N的矩阵,而是保存source,target
例如:
Nodes [0,1,1,0,0,1,1,1]
Edges [2,1,1,1,2,1,1]
Adjacency List [[1,0],[2,0],[4,3],[6,2],[7,3],[7,4],[7,5]]
Global 0