谷城做网站,网络推广方案策划报告,我的三次做网站的经历,wordpress怎么共享到朋友圈图神经网络基础算法 1 GCN2 GraphSAGE2.1 采样#xff1a;采样固定长度的邻居2.2 聚合2.3 GraphSAGE_minibatch2.4 GraphSAGE_embedding 3 GAT4. 图网络的分类4.1 递归图神经网络 RGNN4.2 图卷积神经网络GCN4.3 图注意力网络 GAT4.4 图自动编码 GAE4.5 图时空网络 GSTN4.6 图生… 图神经网络基础算法 1 GCN2 GraphSAGE2.1 采样采样固定长度的邻居2.2 聚合2.3 GraphSAGE_minibatch2.4 GraphSAGE_embedding 3 GAT4. 图网络的分类4.1 递归图神经网络 RGNN4.2 图卷积神经网络GCN4.3 图注意力网络 GAT4.4 图自动编码 GAE4.5 图时空网络 GSTN4.6 图生成网络 GGN4.7 图强化学些 GRL4.8 图对抗方法GAM4.9 更通用的框架4.9.1 消息传递网络 MPNN4.9.2 非局部神经网络 NLNN4.9.3 图神经网络 GNMPNN应用于GNNLNN应用于GN 4.10 其他图1. 异构图2. 二部图3. 多维图4. 符号图5. 超图6. 动态图 1 GCN
公式 节点的特征从C维(X1)——》F维(Z1)并 进行softmax操作得到每一个节点对应的label(Y1)
2 GraphSAGE 实例
聚合周围邻居信息领域特征下图是求平均值把邻居信息拼接到一起再经过一个可学习的w参数 2.1 采样采样固定长度的邻居 节点4是单向的所以不考虑 2.2 聚合
要满足以下性质
聚合函数是对称的聚合函数的输入和顺序是不变的 2.3 GraphSAGE_minibatch
Minbatch : GraphSAGE采用聚合邻居和GCN使用全图方式变成采样。这样在minbatch下可以不使用全图信息这使得在大规模图上训练变得可行。把大图转换成小图 例子 2.4 GraphSAGE_embedding 作者提出的假设如果这两个节点很近那么他们的表征应该是相似的反之则他们的表征会有所不同
3 GAT 求得节点i和周围节点的attention系数再通过系数与邻居节点加权求和那么就求得了该节点聚合周围节点后的特征。 多头注意力机制 三个节点表示了三类特征 4. 图网络的分类 4.1 递归图神经网络 RGNN 递归和卷积都是学习特征很明显卷积图神经网络的卷积层参数可以是不一致的的
4.2 图卷积神经网络GCN 得到节点有序序列
4.3 图注意力网络 GAT
4.4 图自动编码 GAE
GAEencoder用GCN替换得出的特征矩阵Zdecoder替换成Z的转置通过转置生成的图与原图比较得出最小化结构性误差通过最小损失函数可以得出GCN的参数 VAE课程李宏毅老师课程∶ https://www.bilibili.com/video/BV1tZ4y1L7gu?fromsearchseid15594710630639930905
4.5 图时空网络 GSTN
同时考虑图的空间性和时间维度·比如在交通邻域中﹐速度传感器会随时间变化的时间维度﹐不同的传感器之间也会形成连接的空间维度的边。 当前的许多方法都应用GCN来捕获图的依赖性使用一些RNN或CNN对时间依赖性建模。
4.6 图生成网络 GGN
通过RNN或者GAN的方式生成网络。图生成网络的 一个有前途的应用领域是化合物合成。在化学图中﹐原子被视为节点﹐化学键被视为边·任务是发现具有某些化学和物理性质的新的可合成分子。
4.7 图强化学些 GRL
通过RNN或者GAN的方式生成网络。图生成网络的 一个有前途的应用领域是化合物合成。在化学图中﹐原子被视为节点﹐化学键被视为边·任务是发现具有某些化学和物理性质的新的可合成分子。
4.8 图对抗方法GAM
GAN的思想﹐生成器生成样本﹐分类器去判别样本。
4.9 更通用的框架
MPNN∶图神经网络和图卷积/ Message Passing Neural NetworksNLNN︰统一Attention/ Non-local Neural NetworksGN︰统一以上/ Graph Networks 4.9.1 消息传递网络 MPNN Mt聚合周围邻居信息
Ut更新节点在下一层的特征表示
前面这两部分就跟GraphSAGE相似最后组合在一起就成了图的表示y hat。
4.9.2 非局部神经网络 NLNN f求的就是节点i和相邻节点的attention系数再求g得出的该节点的特征再归一化就是下一层的特征表示yi‘。
4.9.3 图神经网络 GN 一个GN块包含三个更新函数函数φ和三个聚合函数ρ各符号意义如下图所示 一个例子Vsksender nodeVrkreceiver node 计算流程如下 整个算法的流程 MPNN应用于GN NLNN应用于GN 4.10 其他图 1. 异构图
不同节点构成的图 2. 二部图
将图中节点分为两部分每一边不跟自己相连 3. 多维图
多种关系所组成的图 4. 符号图
图之间的连接有正反符号 5. 超图
一条边包含两个以上的节点。每个边所包含的顶点个数都是相同且为k个的就可以被称为k阶超图常见的图就是2阶超图。 6. 动态图 上面提到的图是静态的观察时节点之间的连接是固定的。但是在许多实际应用中随着新节点被添加到图中图在不断发展并且新边也在不断出现。例如在诸如Facebook的在线社交网络中用户可以不断与他人建立友谊新用户也可以随时加入Facebook。这些类型的演化图可以表示为动态图其中每个节点或边都与时间戳关联。
