The Graph Neural Network Model

摘要 - 在几个科学和工程领域的数据之间的许多潜在关系，例如计算机视觉，分子化学，分子生物学，模式识别和数据挖掘，可以用图表来表示。 在本文中，我们提出了一种新的神经网络模型，称为图形神经网络（GNN）模型，它扩展了现有的神经网络方法，用于处理图域中表示的数据。 该GNN模型可以直接处理大多数实际有用的图形类型，例如非循环，循环，有向和无向，它实现了将图形和其中一个节点映射到一个欧几里德空间的函数。 导出监督学习算法以估计所提出的GNN模型的参数。 还考虑了所提算法的计算成本。 一些实验结果显示验证了所提出的学习算法，并证明了它的泛化能力。

DATA可以通过几个应用领域的图形结构自然地表示，包括蛋白质组学[1]，图像分析[2]，场景描述[3]，[4]，软件工程和自然语言处理[7]。 最简单的图形结构包括单个节点和序列。 但是在一些应用程序中，信息被组织在更复杂的图形结构中，例如树，非循环图或循环图。 传统上，数据关系利用已经成为归纳逻辑程序设计社区中许多研究的主题，并且最近，这个研究主题已经在不同的方向发展[8]，也是因为相关概念在统计学和神经网络中的应用。

在机器学习中，结构化数据通常与（监督或无监督）从示例中学习的目标相关联，该函数将图形及其一个节点映射到reals1的向量：。对于图形域的应用程序通常可以分为两大类，本文分别称为以图形为中心和以节点为中心的应用程序。在以图形为中心的应用程序中，该函数独立于节点，并在图形结构化数据集上实现分类器或回归器。例如，化学化合物可以用图形建模，其节点代表原子（或化学基团），其边缘代表化学键[见图1（a）]将一些原子连接在一起。该映射可用于估计化合物引起某种疾病的概率[13]。在图1（b）中，图像由区域邻接图表示，其中节点表示图像强度的均匀区域，而弧表示它们的邻接关系[14]。在这种情况下，可以根据其内容将图像分类为不同的类别，例如城堡，汽车，人等等。

在以节点为中心的应用程序中，取决于节点，因此分类（或回归）取决于每个节点的属性。 对象检测是此类应用程序的一个示例。 它包括查找图像是否包含给定对象，如果是，则定位其位置[15]。 该问题可以通过函数来解决，该函数根据对应区域是否属于对象来对区域邻接图的节点进行分类。 例如，对于黑色节点，图1（b）的输出可能是1，对应于城堡，否则为0。 另一个例子来自网页分类。 网络可以用图表表示，其中节点代表页面，边缘代表它们之间的超链接[图。图1（c）]。 出于若干目的，可以利用web连接以及页面内容，例如，将页面分类为一组主题。

传统的机器学习应用程序通过使用预处理阶段来处理图形结构化数据，该预处理阶段将图形结构化信息映射到更简单的表示，例如，实数矢量[16]。 换句话说，预处理步骤首先将图结构化数据“压缩”为实数矢量，然后使用基于列表的数据处理技术处理预处理数据。 然而，重要信息，例如，关于每个节点的信息的依赖性可能在预处理阶段期间丢失，并且最终结果可能以不可预测的方式依赖于预处理算法的细节。 最近，已经有各种方法[17]，[18]试图在处理阶段之前保持数据的图形结构性质。