67、图神经网络与深度强化学习的应用与原理

图神经网络与深度强化学习的应用与原理

图神经网络的应用

图神经网络（Graph Neural Networks）在机器学习领域有着广泛的应用，其生成的嵌入（embeddings）在多种图中心的任务中发挥着重要作用。

1. 图神经网络嵌入的特性

不同隐藏层的嵌入具有不同的属性。早期层的节点通常学习非常局部（简单）的特征，而后期层的节点倾向于学习更复杂（全局）的特征。可以将最后两三层的特征连接起来，创建一个单一的嵌入。虽然在分类等应用中通常不需要嵌入，但聚类和链接预测等相关应用从嵌入中获益巨大。

图数据的表示包含结构和特定应用属性等多样特征，这使得大多数现成的机器学习算法难以直接应用。而图神经网络生成的嵌入可以自然地将许多适用于多维数据的现成机器学习算法推广到图数据上。

2. 图神经网络的具体应用

• 分类 ：这是图卷积网络支持的最常见任务。在大多数情况下，为了对节点进行分类，不需要从隐藏层提取嵌入。图卷积网络在有标签的网络上进行训练，通过softmax层直接预测未标记节点的标签。该方法也可用于全图（而不是节点）的分类。
• 聚类 ：聚类的目标是创建在局部结构、邻居类型和节点属性方面彼此相似的节点组。虽然有许多算法可以直接在图数据上发现聚类，但特定属性数据（如社交网络资料）和图结构（如邻接矩阵）的存在大大减少了可直接用于聚类的应用数量。一旦从节点创建了多维嵌入，就可以使用任何现有的聚类算法（如k - 均值）来创建图中相似节点的组。
• 异常检测 ：异常检测