[Scene Graph] 图神经网络的核心方法——Message Passing

图神经网络GNN中的消息传递机制解析

最新推荐文章于 2025-10-20 02:40:45 发布

原创

最新推荐文章于 2025-10-20 02:40:45 发布 · 7.5k 阅读

41 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #深度学习 #机器学习 #人工智能

本文深入探讨了图神经网络（GNN）如何通过Message Passing方法学习图数据的特征。GNN借鉴了CNN的思想，但针对非结构化数据如图和点集进行信息提取。Message Passing涉及节点间信息的传递和融合，通过Faggregate和Fcombine函数实现邻接节点特征的聚合和组合。在数学上，Message Passing可以用一个公式概括，描述了节点特征的更新过程。此外，文章还介绍了PytorchGeometric库中GCNConv类的实现，展示了一个具体的Message Passing实例。

部署运行你感兴趣的模型镜像

GNN中的Message Passing方法解析

一、GNN中是如何实现特征学习的？

深度学习方法的兴起是从计算图像处理（Computer Vision）领域开始的。以卷积神经网络（CNN）为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据（structured data）十分有效，例如，图像和体素数据。但是，CNN的处理方式对于类似图（graph）数据则并不适用。对于一个图而言，类似图像像素的邻近关系是不存在的。考虑图中任意一个节点，我们几乎不可能始终找到8个有序邻近节点，因此类CNN卷积核将不再适用非结构数据（unstructured data）特征提取，这种非结构数据包括图（graph）和点集（set），例如点云数据（point cloud）和场景图（scene graph）。

那么对于图来说，GNN是如何学习到有效的特征呢？这就是这篇博文将要讨论的十分重要的方法——Message Passing。如果知道Message Passing准确的中文翻译的小伙伴可以给我留言，这篇博文中我将用缩写MP代表Message Passing。

大致来说，GNN与CNN在思想上是相通的。GNN也希望能够从“邻接”的元素中获取信息，并学习到固定的且可以固化在向量中的特征。因此，在字面意义上来说MP的思想就是，节点与节点之间可以相互传播(pass)信息(message)，通过对于邻接节点信息的处理和原本节点特征的融合，来更新每一个点的特征，最后得到节点级别（node-level）或者图级别（graph-level）的序列化模式表达，这种表达可以完成节点分类，图分类，图生成等十分基本的任务。

二、如何用数学定义Message Passing过程？

小伙伴们不用害怕复杂的数学公式，只需要跟着思路走就可以，我会使用可以直观理解的变量命名方式的。首先，先在脑海中构建一个抽象的图结构 $G\mathcal{G}$ ，这个图的节点集合为 $V\mathcal{V}$ ，边的集合为 $E\mathcal{E}$ 。重点讨论的变量我列在了下面：

$u\in \mathcal{V}$ ：我们重点讨论节点，可以是图中的任意一个节点。
$v∣v∈N(u)}\{v| v \in N(u)\}$ ：节点 $u$ 的邻接节点集合，与 $u$ 有有效连接的节点的集合。
$x_{u}$ ：节点 $u$ 的初始特征向量，如果是节点 $v$ 的特征则标记为 $x_v$ 。
$h_{u}$ ：节点 $u </$