图机器学习——Introduction

Why Graphs?

Graphs are a general language for describing and analyzing entities with relations/interactions.
图是用于描述和分析具有关系/交互的实体的一种通用语言。

1. 许多数据类型是图

图一：图结构类型的数据

Graphs and Relational Data

主要问题：如何利用这些关系数据更好的进行预测任务？

Graphs : Machine Learning

复杂领域有丰富的关系结构，可以被表示为relational graph（关系图），通过显式的建模得到更好的表现。

Today：Modern ML Toolbox

图二：现代DL工具设计用于sequences & grids

    但并非所有数据都可以表示为sequence or grid。如何开发出适用范围更广的神经网络？使其应用不在局限于images and sequences。

图机器学习

Graphs are the new frontier of deep learning.（图是深度学习的新前沿）
Graphs connect things.（图连接一切）

为何图深度学习很难？

Networks are complex.

1. Arbitrary and complex topological structure（任意大小和复杂拓扑结构，没有向网格一样的空间局部性）
   

图三：Networks vs Images/Text

3. No fixed node ordering or reference point（没有固定节点排序或参考点）
4. Often dynamic and have multimodal features（图是动态的并具有多模态特征）

Deep Learning in Graphs（图深度学习）

图四：图神经网络流程

Representation Learning（表示学习）

Outline

• 传统方法：Graphlets、Graph Kernels
• 节点嵌入方法：DeepWalk、Node2Vec
• 图神经网络：GCN、GraphSAGE、GAT、
• 知识图谱和推理：TransE、BetaE
• 图深度生成模型：GraphRNN
• 应用：Biomedicine、Science、Industry

Application（应用）

经典图机器学习任务

• 节点分类：预测一个节点属性
  • 在线用户/物品分类
• 链接预测：预测两个节点间是否边缺失
• 图分类：分类不同的图
  • 分子属性预测
• 聚类：检查节点是否形成社区
  • 社交圈子检测
• 其他任务
  • 图生成：药物发现
  • 图演化：物理模拟

Example（例子）

Node-level ML Tasks（节点级别的ML任务）

1. 仅仅基于氨基酸序列预测蛋白质的3D结构
   
2. AlphaFold：解决蛋白质折叠问题

• 核心idea：Spatial graph (空间图)
  • 节点：蛋白质序列中的氨基酸
  • 边：氨基酸（残基）之间的接近度

Edge-level ML Tasks（边级别的ML任务）

1. 推荐系统

   • 用户和物品交互
     • 看电影、购物、听音乐
     • 节点：用户和物品
     • 边：用户和物品的交互
   • 目标：给用户推荐其可能喜欢的物品
     
     基于图的推荐

2. 药物副作用影响

图 :生物医学图链接预测

Subgraph-level ML Tasks（子图级别ML任务）

1. 交通预测
   • 节点：路段
   • 边：路段之间的连通性
   • 预测：Time of Arrival(ETA)（到达时间）
     
     解决方法：用GNN来预测ETA。