【图神经网络】图数据和图数据相关任务
- 引言
- 本文是学习刘忠雨老师所著的《深入浅出图神经网络》过程中的笔记和记录整理，最后会有参考文献标注对应章节和内容中可能出现的参考文献、博文出处。
目录
- 概述
- 图的基本类型
- 图数据
- 同构图（Homogeneous Graph）
- 异构图（Heterogeneous Graph）
- 属性图（Property Graph）
- 非显式图（Graph Constructed from Non-relational Data）
- 误区解释
- 图数据相关任务
- 节点层面的任务（Node Level）
- 边层面的任务（Link Level）
- 图层面的任务（Graph Level）
- 参考文献
概述
图的基本类型
- 有向图和无向图
- 非加权图和加权图
- 连通图和非连通图
- 二部图
- 二部图描述了两类对象之间的交互关系。
- 将G中的顶点集合V拆分成两个子集A和B，如果对于图中的任意一条边 e i j e_{ij} eij均有 v i ϵ A , v j ϵ B v_{i} \epsilon A, v_{j} \epsilon B viϵA,vjϵB或者 v i ϵ B , v j ϵ A v_{i} \epsilon B, v_{j} \epsilon A viϵB,vjϵA,则称图G为二部图。
- e.g.
图数据
同构图（Homogeneous Graph）
- 同构图是指途中的节点类型和关系类型都只有一种
异构图（Heterogeneous Graph）
- 异构图与同构图相反，途中的节点类型或关系类型多于一种
属性图（Property Graph）
- 相较于异构图，属性图给图数据增加了额外的属性信息。对于一个属性图而言，节点和关系都有标签（Label）和属性（Property），标签指的是节点或关系的类型。
非显式图（Graph Constructed from Non-relational Data）
- 非显式图是指数据之间没有显式地定义出关系，需要依据某种规则或计算方式将数据的关系表达出来，进而将数据当成一种图数据进行研究。
误区解释
- 场景图
- 场景图是图像语义的一种描述方式，它将图像中的物体当作节点，物体之间的相互关系当作边构成一张图。场景图可以将关系复杂的图像简化称一个关系明确的语义图。场景图具有十分强大的应用场景，如图像合成、图像语义检索、视觉推理等等。
- e.g.
- 个人误区：对于计算机视觉的任务理解并不是特别深刻，之前对于图像、图谱的输入方式感到不同。
图数据相关任务
节点层面的任务（Node Level）
- 节点层面的任务主要包括分类任务和回归任务。这类任务虽然是对节点层次的性质进行预测，但是显然不应该将模型建立在一个个单独的节点上，节点的关系也需要考虑。节点层面的任务有很多，包括学术上使用较多的对论文引用完了过中的论文节点进行分类，工业界在线社交网络中用户标签的分类、而已账户检测等。
边层面的任务（Link Level）
- 边层面的任务主要包括边的分类和预测任务。边的分类是指对边的某种性质进行预测；边预测是指给定的两个节点之间是否会构成边。常见的应用场景比如在社交网络中，将用户作为节点，用户之间的关注关系建模为边，通过边预测实现社交用户的推荐。目前，边层面的任务主要集中在推荐业务中。
图层面的任务（Graph Level）
图层面的任务不依赖与某个节点或者某条边的属性，而是从图的整体结构出发，实现分类、表示和生成等任务。目前，图层面的任务主要应用在自然科学研究领域，比如对药物分子的分类、酶的分类等等。
参考文献
- 刘忠雨，李彦霖，周洋. 深入浅出图神经网络:GNN原理解析[M]. 北京:机械工业出版社，2020：1-15
【图神经网络】图数据和图数据相关任务相关推荐
- 微软熊辰炎：如何利用图神经网络解决半结构化数据问题？
对于许多信息检索和知识图谱研究者来说,究竟应该使用抽象的结构化信息进行表示学习还是使用海量的文本信息始终是一个富有争议的话题.在本届智源大会上,来自微软研究院的高级研究员熊辰炎博士带来了题为" ...
- 【图神经网络研究精华】图卷积网络作者Thomas Kipf博士论文公布
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 转载自:机器之心 对于普通人来说,将自己的学位论文公布到社交媒体可能需要点勇气.但 ...
- 图神经网络（一）图信号处理与图卷积神经网络（5）图卷积神经网络
图神经网络(一)图信号处理与图卷积神经网络(5)图卷积神经网络 0. 概述 1. 对频率响应矩阵进行参数化 2. 对多项式系数进行参数化 3. 设计固定的图滤波器 0. 概述 在学习了图滤波器定义的基 ...
- 178页，四年图神经网络研究精华，图卷积网络作者Thomas Kipf博士论文公布
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作分享,不代表本公众号立场,侵权联系删除 转载于:机器之心 AI博士笔记系列推荐 周志华<机器学习>手 ...
- 图神经网络中的谱图理论基础
一.图的拉普拉斯矩阵 拉普拉斯算子 拉普拉斯算子(Laplace Operator)是为欧几里德空间中的一个二阶微分算子,定义为梯度的散度,可以写作Δ,∇2,∇⋅∇\Delta ,\nabla ^{2 ...
- 图神经网络（一）图信号处理与图卷积神经网络（6）GCN实战
图神经网络(一)图信号处理与图卷积神经网络(6)GCN实战 GCN实战 1.SetUp 2.数据准备 3.图卷积层定义 4.模型定义 5.模型训练 完整代码 代码说明 1.SetUp 2.数据准备 3 ...
- 图神经网络（一）图信号处理与图卷积神经网络（3）图傅里叶变换
图神经网络(一)图信号处理与图卷积神经网络(3)图傅里叶变换 傅里叶变换是数字信号处理的基石,傅里叶变换将信号从时域空间转换到频域空间,而频域视角给信号的处理带来了极大的遍历.围绕傅里叶变换,信号的滤 ...
- 图神经网络（一）图信号处理与图卷积神经网络（2）图信号与图的拉普拉斯矩阵
图神经网络(一)图信号处理与图卷积神经网络(2)图信号与图的拉普拉斯矩阵 给定图G=(V,E)G=(V,E)G=(V,E),V表示图中的节点集合,假设其长度为NNN,图信号是一种描述V→RV→RV→ ...
- 图神经网络（一）图信号处理与图卷积神经网络（1）矩阵乘法的三种方式
图神经网络(一)图信号处理与图卷积神经网络(1)矩阵乘法的三种方式 1.1 矩阵乘法的三种方式 参考文献 图信号处理(Graph Signal Processing,GSP) 1是离散信号处理(D ...
- 图神经网络/GNN(三)-基于图神经网络的节点表征学习
Task3概览: 在图任务当中,首要任务就是要生成节点特征,同时高质量的节点表征也是用于下游机器学习任务的前提所在.本次任务通过GNN来生成节点表征,并通过基于监督学习对GNN的训练,使得GNN学会产 ...
最新文章
- 1、为什么使用Long时，推荐多使用valueOf方法，少使用parseLong方法
- python实例化是什么意思_类实例化和python中的’self’
- 一分钟检测应用状态 | 企业应用健康扫描中心发布
- 消息称微软计划收购GitHub，估值超50亿美元
- 【MFC系列-第10天】非模式对话框开发
- Linux相关配置 集群免密码登录配置
- IPSec L2L ××× 之 Router-to-ASA
- Apache下的配置文件httpd.conf、httpd-vhosts.conf 转
- asp.net 下载文件
- 第一个冷门与真正的死亡之组
- DBUtil使用步骤
- SQL查询分析器SQL语句导入TXT文件
- 超简单通俗易懂的H桥电机驱动
- DHCP协议以及其配置
- Win11 25188.1000补丁包介绍及下载地址
- Linux gsoap生成onvif框架（C语言客户端代码）一
- vagrant 修改配置文件后，window 系统报错 0x80004005
- QGIS编译（跨平台编译）之三十九：QCA编译、QCA安装（Windows、Linux、MacOS环境下编译、安装）
- 90句美丽的英文及翻译
- D2 归来, 特此YC一篇