论文解析七： GNN与GCN（图神经网络）一站式详细讲解

已于 2024-10-23 12:13:56 修改
阅读量2.3k 收藏 19
点赞数 20
CC 4.0 BY-SA版权
文章标签： 神经网络 人工智能 深度学习
于 2024-10-23 11:14:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/kaszxc/article/details/143178232

目录

1.GNN 图神经网络

图这个数据结构相对于之前讨论的文本（文本是一个序列）、图片（图片是一个矩阵），图相对来说更加复杂一点。

在这里插入图片描述

  • Layer1 的点是由 Layer2里它和它的邻居计算得来的
  • Layer2的点是由 Layer3里它和它们的邻居计算得来的
  • 所以说，当你的图越深的时候，你在顶部的那些点，是由它的邻居的邻居等等整个计算得来的，只要你足够深，很有可能你一个节点是能够处理到比较大范围的图里面的节点信息

图神经网络的实际应用（starting to，图神经网络还是一个比较新的领域，在应用上刚起步）

  • 药物的发现
  • 物理模拟
  • 虚假新闻检测
  • 车流量的检测
  • 推荐系统

本文旨在探索和解释现代的图神经网络

  • 什么数据可以表示成一张图
  • 图和别的数据有什么不同，为什么要做图神经网络，而不是使用最简单的卷积神经网络等
  • 构建了一个GNN，看各模块的具体结构
  • 提供了一个GNN的playground

2.什么是图

图是用来表示entity（实体）之间的关系

  • 实体就是一个点（node，顶点）
  • 关系就是一个边（edge）

在这里插入图片描述

  • 顶点（node）
  • 边：顶点之间的关系
  • 全局信息：每个顶点、每条边和整个图表示的信息

使用向量来标示顶点，边，全局属性
在这里插入图片描述

  • 顶点（黄色）可以用一个embeding（向量）来表示它里面的属性，一共有六个值，高矮表示值的大小
  • 边（蓝色）也可以使用向量来表示，长度可以和顶点不一样，这里使用的是一个长度为8的向量，即边中所有的属性用一个长度为8的向量来表示
  • 全局信息（粉色）可以用一个长为5的向量来表示

图神经网络所关注的重点

  • 怎样把所想要的数据表示成向量
  • 这些向量是不是能够通过数据来学到

图一共有两种

  • 没有方向的图：两个点之间相连的边是没有方向的，例如微信好友。
  • 有方向的图：两个点之间相连的边是有方向，例如关注与互关。

数据是如何表示成图的

1、如何将图片表示成一张图

​ 假设有一张高宽都为244的RGB三通道图，一般来说会把它表示成一个三个维度的tensor（在输入卷积神经网络的时候用的是tensor），但是也可以把它当作一个图，它的每个像素就是一个点，如果两个像素之间是连接关系的话，就连接一条边。

下图展示了如何把一张图片表示成图
在这里插入图片描述

  • 左边表示图片
  • 中间是表示成的邻接矩阵，它的每一行是一个顶点，每一列也是一个顶点，如果第 i 行和第 j 列之间值为1（图中蓝色的点）的话就表示第 i 个结点和第 j 个节点之间是有边的，每一个蓝色的点表示图中的一条边，剩下白色的点表示这些点之间是没有边的，通常是一个很大的非常稀疏化的矩阵
  • 右边表示由图片生成的图
2.如何将文本表示成图？

文本可以认为是一条序列，可以把其中每个词表示成顶点，那么每个词和下一个词之间有一条有向边（上一个词和下一个词之间有一条指向下一个词的有向边，在图上面叫做有向的路）
在这里插入图片描述

除了文本和图片能够表示成图之外，现实生活中还有很多数据也能表示成图：

下图所示是一个分子的示意图
在这里插入图片描述
小说中人物之间的交互图（关系网络）
在这里插入图片描述

还有比较常见的就是引用图

  • 假设一篇文章引用了另一篇文章的话，就从当前文章出发连一条边到另外一篇文章（这是一条有向边，不代表会相互引用，通常来说，很少会有两篇文章相互引用，一般是现在的文章引用之前的文章）
    在这里插入图片描述
  • grapgh表示图的个数
  • node表示顶点数
  • edge表示边的个数
  • mean表示平均每个点所连接的边的数量
  • min表示图中一个顶点所连接的边的数量的最小值
  • max表示图中一个顶点所连接的边的数量的最大值
  • 每一行就是一张图
  • 第一行是一个空手道俱乐部的社交网络图，第二个是分子图，第三和第四个是引用图

在图上面可以提出什么样的问题？

主要有三个层面，图层面的，顶点层面的，边层面的

图层面的

最低0.47元/天 解锁文章
【深度学习】最强算法之：一文掌握GNN与GCN的异同点，再也不迷路。
商务合作 | 面试培训 | 职场规划 ==>主页扫码
04-10 8057
一文掌握GCN 和GNN的异同点
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 11万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图卷积神经网络GCN与图神经网络GNN
zhu_xian_gang的博客
10-23 1万+
GCN既可以进行直推式学习也可以进行归纳式学习，而传统的比如基于随机游走的方法、基于矩阵分解的方法、标签传播的只能进行直推式，但是直推式的缺点显而易见，直推式无法泛化到新结点，需要重新采样随机游走序列，优化更新所有节点的嵌入向量。然而归纳式学习可以泛化到新节点，也可进行迁移式学习，如GAT、GIN等图神经网络方法（通过计算图的范式，得到结构上的相似，比如，地理上的远隔）。
深度学习：图神经网络GNN、GCN及其在推荐系统的应用
最新发布
Landy_Jay的博客
05-06 1170
在数学和计算机科学中，图 (Graph) 是一种抽象数据结构，用于表示对象之间的成对关系。V是顶点 (Vertices)或节点 (Nodes)的集合 (Set)。顶点代表图中的实体或对象。E是边 (Edges)或链接 (Links)的集合 (Set)。每条边连接 V 中的一对顶点，表示它们之间存在某种关系。有向图 (Directed Graph) vs. 无向图 (Undirected Graph)边 (u, v) ∈ E 是无序对，表示 u 和 v 之间的关系是相互的、对称的。
最基础的GNN与GCN理解
kc7w91的博客
12-06 2万+
最基础的GNN与GCN理解卷积GNN能干嘛？怎么做？GCN一、 空域角度二、频域角度 卷积 卷积只能处理图像矩阵这种规则的、欧几里得结构的数据，实现对其空间特征的提取。 卷积的理解–传送门（冰淇淋） 卷积公式： 公式解释：一个对象对一个系统的作用效果满足线性原理、累加原理（前提）。该对象对这个系统连续作用了一段时间后，求该系统的状态——这个过程可理解为求卷积。在卷积中，第一个函数 g(t) 表示这个对象对系统的作用速度。第二个函数 f(t) 表示当作用速度为单位冲击函数时这个对象对系统的作用效果。 GNN
GNN、GCN、GAT关系
qq_38148600的博客
11-16 1万+
图神经网络 Graph Neural Network (GNN) 参考文献：图神经网络 Graph Neural Network (GNN) 最早期的图神经网络 Graph Neural Network，简称 GNN。GNN 2009 年已经出现了，发表在论文《The graph neural network model》中。 ...
GNN与GCN相关论文
Norstc的博客
01-20 881
论文:Understanding the Representation Power of GraphNeural Networks in Learning Graph TopologyA github:Understanding-GCN 论文:Iterative Visual Reasoning Beyond Convolutions 论文:Cognitive Graph for Multi...
GNNs入门（一）GNN和GCN
JeffanChen的博客
09-05 2186
GNN 是 CNN 在图数据领域的扩展，通过消息传递机制捕捉局部和全局模式，适用于处理复杂的关系数据任务。本篇文章深入浅出讲解其中的知识点。
GNN，GCN，图神经网络深度讲解100页ppt 包括基础的GNN和其多个变体
12-19
【图神经网络 (GNN) 深度解析】 图神经网络（GNN）是一种针对非欧式空间数据的深度学习模型，它结合了深度学习和图计算的优势，以处理复杂的关系网络。GNN的出现源于传统卷积神经网络（CNN）在处理非结构化数据时的...
图神经网络（GNN/GCN）
lemonzjk的博客
07-13 1267
主要是通过聚合、更新、循环三大步骤来进行的。
Achronix - 机器学习实战：GNN（图神经网络）加速器的FPGA解决方案
01-20
【GNN（图神经网络）】是机器学习领域的一个重要分支，它专门处理非欧氏数据，即数据之间存在复杂依赖关系的图结构。在传统的机器学习任务如图像分类、语音识别中，数据多为欧氏数据，具有固定的维度和顺序。而GNN则...
零基础多图详解图神经网络（GNN/GCN）【论文精读】
teletubbies的博客
01-05 1939
主要有三大类问题，一个是在图层面的，一个顶点层面，一个是边层面。图层面给我们一个图，我们对图进行分类。顶点层面：一个俱乐部的A和B老师决裂了，分成了两大派系，各个顶点是站队A还是站队B。边层面给一个图片，我们首先通过语义分割把图片里面的人物，背景都拿出来之后，然后这个人物之间是什么关系，顶点有了，我们主要学习顶点之间边的属性是什么。
GNN and GCN
肖泽的博客
08-15 4608
MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing k-hop Graph Neural Networks
自然语言处理NLP——图神经网络与图注意力模型（GNN、GCN、GAT）
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
12-24 1万+
本篇博客从图神经网络（GNN）的动机与模型，图卷积网络（GCN）的模型详解与公式推导引入，重点介绍图注意力网络（GAT）的目标函数推导，模型解析，并使用不同框架复现GAT论文实验，对比分析结论与论文结果，并在最后补充一定的GAT推广与优化（内附Python代码与数据集）。
时空图神经网络1——GNN和GCN
m0_51501260的博客
04-25 200
学习时序图神经网络需要对图神经网络有基本的认识，首先从最简单的GNN和GCN开始讲起。本文在理解原文的基础上，参考了其他博主的blog，整理出来作为笔记，既给自己看，也分享给大家。图神经网络(Graph Neural Network, GNN)是一种专门用于处理图数据的深度学习模型。传统的神经网络主要用于处理向量或序列数据，而图神经网络则可以有效地处理非结构化的图形数据，如社交网络、推荐系统中的用户-物品关系、生物信息学中的蛋白质相互作用网络等。
GNN 系列：Graph 基础知识介绍
Datawhale
08-01 4179
点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容【导读】图卷积神经网络(Graph Convolutional Network)作为最近几年兴起的一...
图神经网络入门 (GNN, GCN)
连理o的博客
06-26 2973
目录References 如何使用神经网络处理图的结构和特性 (需要的模块以及它们背后的思想) References 零基础多图详解图神经网络（GNN/GCN）【论文精读】 A Gentle Introduction to Graph Neural Networks
3-15-GCN和GNN的区别？
qq_40723205的博客
03-15 1万+
GNN：图神经网络，由于传统的CNN网络无法表示顶点和边这种关系型数据，便出现了图神经网络解决这种图数据的表示问题，这属于CNN往图方向的应用扩展 GCN：图卷积神经网络，GNN在训练过程中，有将attention引入图结构的，有将门控机制引入图结构的，还有将卷积引入图结构的，引入卷积的GNN就是GCN，通过提取空间特征来进行学习 GCN为图卷积神经网络，其为GNN的一种，区别主要在于采用卷积算子进行信息汇聚。 ...
学习笔记·GNN & GCN
weixin_45775432的博客
06-20 846
对于初学者来说，GNN还是好理解的，但是对于GCN来说，我刚开始根本不理解其中的卷积从何而来！！ 这篇博文分为两部分，第一部分是我对GNN的理解，第二部分是我个人对GCN中卷积的理解。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Unknown To Known

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值