图神经网络 GNN

前言

深度学习4  搬运了国外一篇比较好的博客

A Gentle Introduction to Graph Neural Networks

正文

图形无处不在；现实世界中的物体通常是通过与其他事物的连接来定义的。一组物体和它们之间的连接自然地表达为一个图。研究人员已经开发了能够处理图形数据的神经网络（称为图神经网络或GNN）超过十年。最近的发展增强了它们的能力和表达能力。图神经网络开始在诸如抗菌发现、虚假新闻检测、交通预测和推荐系统等领域看到实际应用。

本文探讨并解释了现代图神经网络。我们将这项工作分为三个部分。首先，我们看看哪种数据最自然地表达为图形，以及一些常见的例子。其次，我们探讨了图形与其他类型数据的不同之处，以及在使用图形时需要做出的一些专业选择。第三，我们构建了一个现代的GNN，逐步介绍模型的每个部分，从该领域的历史建模创新开始。我们从一个简单的实现逐步迈向最先进的GNN模型。

 首先，让我们明确图是什么。图表示实体（节点）之间的关系（边）。

为了进一步描述每个节点、边或整个图，我们可以在每个图元素中存储信息。

我们可以通过给边赋予方向（有向、无向）来进一步特化图形。

图及其出现的地方

你可能已经熟悉某些类型的图形数据，例如社交网络。然而，图形是一种非常强大且通用的数据表示方法，我们将展示两种你可能不认为可以建模为图形的数据类型：图像和文本。尽管这可能有些反直觉，但通过将图像和文本视为图形来查看它们的对称性和结构，我们可以建立一种直觉，从而更好地理解其他非网格状的图形数据，我们稍后将讨论这些数据。

图像作图形数据

我们通常将图像视为具有图像通道的矩形网格，将其表示为数组（例如，浮点数）。将图像看作有规律结构的图形，其中每个像素表示一个节点，并通过边连接到相邻像素，也是一种思考图像的方式。每个非边界像素恰好有8个相邻节点，并且每个节点存储一个三维向量，表示像素的RGB值。

一种可视化图形连接性的方法是通过其邻接矩阵。我们对节点进行排序，例如在一个简单的的笑脸图像中有25个像素，然后填充一个的矩阵，如果两个节点共享一个边，则在该矩阵中填入一个条目。请注意，下面这三个表示是同一数据的不同视图。

 文本作图形数据

我们可以通过将每个字符、单词或词元与索引关联起来，将文本数字化