本文介绍了图神经网络的基础概念，包括图的表示（如图像、文本和分子），适用的任务类型（图层面、节点层面和边层面），以及在处理图数据时遇到的挑战，如兼容性问题和邻接矩阵表示的局限。文章还讨论了GNN模型、pooling技术、采样策略和归纳偏置的重要性。
我是听李沐的讲解记得笔记。
原始论文（其实是博客）：A Gentle Introduction to Graph Neural Networks (distill.pub)
讲解课程：零基础多图详解图神经网络（GNN/GCN）【论文精读】_哔哩哔哩_bilibili
背景介绍
图神经网络是个比较新的领域，刚刚开始应用在药物发现，物理模拟，虚假新闻的检测，交通检测，推荐系统等等（可以再查查。应用落地是机遇）
哪些数据可以用图存储？
一些比较常见，例如用有向图存储社会关系网络，用有向图存储文章之间的引用关系，用无向图各个地点和他们之间的距离等等。
但是一些比较特殊：比如文章和图像和分子也可以看成图。
图片表示成无向图
图的节点：用一个三维的向量存储RGB的信息。每个节点有8个节点与之相连。
图的边：表示两个像素有没有相邻。
图的存储：用邻接矩阵来存储。这个矩阵比较稀疏。
（左：原始图片 右：图的直观画法 中：存储图的邻接矩阵）
文本表示成无向图
图的节点：每个单词。每个节点和他左右两个词相连。
图的边：表示两个单词有没有相邻
图的存储：邻接矩阵。
分子表示成无向图
图的节点：每一个原子。
图的边：相邻原子间的距离（如单键，双键）
图的存储：邻接矩阵。</
最低0.47元/天 解锁文章
扫一扫
436
到【灌水乐园】发言
