图神经网络前沿技术与应用探索

KDD 2023：图神经网络的新前沿

2021年和2022年，当某机构科学部邀请知识发现与数据挖掘会议（KDD）程序委员会成员讨论其领域现状时，对话始终围绕图神经网络展开。

图学习仍然是KDD 2023最受欢迎的主题，但这并不意味着该领域停滞不前。图神经网络（GNN）是一种机器学习模型，可生成图节点的嵌入或向量表示，捕获节点与其他节点关系的信息。它们可用于图相关任务，例如预测边或标记节点，也可用于任意下游处理任务，充分利用图结构中编码的信息。

但在这个广义定义下，“图神经网络的含义可能非常不同，”某学者表示，“图神经网络是一个非常宽泛的术语。”

例如，传统GNN使用消息传递来生成嵌入。图中的每个节点都被嵌入，然后每个节点接收其相邻节点的嵌入（传递的消息），将其整合到更新的嵌入中。通常，此过程执行两到三次，因此每个节点的嵌入捕获其一到三跳邻域的信息。

“如果进行消息传递，我只能从直接邻居那里收集信息，”某学者解释道，“我需要经过很多层才能建模长距离依赖。对于某些特定应用，如软件分析或物理系统模拟，长距离依赖变得至关重要。”

“因此人们询问如何改变这种架构。他们受到Transformer的启发”——基于注意力的神经架构是当今大语言模型的基础——“因为Transformer可以被视为图神经网络的特例，在输入窗口中，每个token都可以连接到其他所有token。”

“如果每个节点都可以与图中的所有其他节点通信，就可以轻松解决长距离依赖问题。但会有两个限制。一个是效率。对于某些图，有数百万甚至数十亿个节点。无法高效地与图中的所有其他节点通信。”

第二个问题是，过多的长距离连接会削弱图表示的意义。图之所以有用，是因为它们捕获了节点之间有意义的联系——这意味着省略了无意义的联系。如果图中的每个节点都与其他每个节点通信，则有意义的连接会被稀释。

为了解决这个问题，“人们尝试找到一种方法来模拟文本设置或图像设置中的位置编码，”某学者说。“在文本设置中，我们将位置转换为某种编码。后来，在计算机视觉领域，人们说，‘好吧，我们也对图像块这样做。’例如，我们可以将每个图像分解为六乘六的块，这些块的相对位置可以转换为位置编码。”

“所以下一个问题是，在图设置中，如何获得那种自然的相对位置？有不同的方法可以做到这一点，比如随机游走——一种非常简单的方法。还有人尝试进行特征分解，利用特征向量来编码这些节点的相对位置。但特征分解非常耗时，所以又回到了效率问题。”

效率提升

实际上，提高GNN的效率本身就是一个活跃的研究领域——从高层算法设计到芯片设计层面。

“在算法层面，可能会尝试某种采样技术，只是试图减少操作次数，”她说。“或者设计一些更高效的算法来稀疏化图。例如，假设我们想进行某种相似性搜索，保留与每个目标节点最相似的节点。然后人们可以设计一些智能索引技术，使这部分非常快。”

“在推理阶段，可以进行知识蒸馏，将非常复杂的模型（比如图神经网络）蒸馏成一个非常简单的图神经网络——不一定非是图神经网络，可能只是一个非常简单的结构，比如MLP[多层感知器]。然后我们可以更快地进行计算。量化也可以应用于推理阶段，以加快计算速度。”

“这是在算法层面。但现在人们更深入。有时，要解决问题，需要深入到系统层面。所以人们说，让我们看看如何设计这种分布式系统来加速训练和推理。”

“例如，在某些情况下，内存成为主要限制。在这种情况下，可能唯一能做的就是分配工作负载。然后自然的问题是如何协调或同步每个计算节点训练的模型参数。如果必须将数据分发到10台机器，如何与这10台机器协调以确保只有一个最终版本？”

“人们现在甚至更深入，在硬件端进行加速。因此软件-硬件协同设计也越来越受欢迎。这需要人们真正了解许多不同领域。”

“顺便说一下，在KDD，与许多其他机器学习会议相比，现实世界的问题始终是我们的首要关注点。在许多情况下，为了解决现实世界的问题，我们必须与不同背景的人交流，因为我们不能仅仅将其包装成我们在高中时解决的那种理想问题。”

应用拓展

除了这些提高GNN多功能性和准确性的普遍努力之外，还有关于GNN技术具体应用的新研究。

“有一些关于如何在图设置中进行因果分析的工作，意味着对象实际上相互干扰，”某学者解释道。“这与传统设置完全不同：例如，药物研究中的患者是相互独立的。”

“还有一个新趋势是将深度表示学习与因果推理相结合。例如，如何将尝试的治疗表示为连续向量，而不仅仅是二元治疗？能否使治疗在时间上连续——意味着它不是静态的一次性治疗？如果我在10天后进行治疗，结果与20天后进行治疗相比如何？时间非常重要；如何注入时间信息？”

“图也可以被视为描述多智能体动态系统的良好数据结构——这些对象在动态网络设置中如何相互交互。然后，如何将生成思想融入图中？图生成对许多领域非常有用，例如制药行业。”

“还有许多应用可以从大语言模型（LLM）中受益。例如，知识图谱推理。我们知道LLM会产生幻觉，而在KG上的推理非常严谨。这两者的良好结合是什么？”

“对于GNN，总有新东西。图只是一种非常有用的数据结构，可以模拟我们互联的世界。”
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码