图马尔可夫网络:融合统计关系学习与图神经网络
©PaperWeekly 原创 · 作者|石壮威
学校|南开大学硕士
研究方向|机器学习、图神经网络
论文标题:
GMNN: Graph Markov Neural Networks
收录会议:
ICML 2019
论文地址:
https://arxiv.org/abs/1905.06214
代码地址:
https://github.com/DeepGraphLearning/GMNN
本文 [1] 研究了图上的半监督节点分类问题。在此前的文献中,基于统计关系学习(例如马尔科夫随机场)和图神经网络(例如图卷积网络)的方法都已被广泛应用于这类问题。统计关系学习方法通过对象标签的依赖关系建模条件随机场,而图神经网络则以端到端训练的形式,提升了图学习的效率。
在本文中,作者提出图马尔可夫神经网络(Graph Markov Neural Networks ,GMNN)。GMNN 以条件随机场建模对象标签的联合分布,用变分 EM 算法进行有效训练。在 E-step 中,一个 GNN 学习用于拟合标签后验分布的表示向量。在 M-step 中,另一个 GNN 用于建模标签依赖关系。实验结果表明,GMNN 取得了优越的结果。
相关工作
考虑半监督学习中的一个图 ,其中 V 是节点的集合,E 是节点之间边的集合, 是所有节点特征的集合。已知一部分标签 ,L∈V,我们的任务是预测剩下未知的标签 ,U = V \ L。
统计关系学习(statistical relationship learning,SRL)方法以如下方式计算标签的联合概率分布:
ψ 是边上的势函数,一般是人工定义的特征函数的线性组合。
这种情况下,预测未知标签任务被看做是推断问题,我们还要去计算位置标签的后验分布 ,[2] 是一种典型的基于高斯马尔可夫随机场与标签传播的方法。然而由于标签的复杂结构关系,后验十分难求。
与 SRL 相比,GNN 忽略掉标签的依赖关系,只关注于节点的特征表示。由于 GNN 将标签之间视为独立,那么此情况下标签的联合分布表示为:
通过聚合节点特征预测标签
GMNN
GMNN 利用 CRF 通过对象属性(节点特征)来建模标签之间的联合分布:,使用伪似然变分 EM 算法进行优化。其中,E-step 中使用一个 GNN 来学习节点的特征表示以预测标签属性,M-step 中使用另一个 GNN 来建模标签之间的依赖关系。如图1所示。
作者沿用 CRF 的预测模型:,其中 是模型参数,我们要做的是优化这个参数来求已知标签的最大似然:。由于存在大量的未知标签,直接最大化对数似然很困难,因此我们采用变分推断的方法,用变分分布 近似 ,来最大化对数似然的证据下界(ELBO):
(3)式可以通过变分EM算法 [3] [4] 来优化。在 M-step,这等价于优化(4)式。然而,直接优化(4)式是很困难的,因为这是对整个条件随机场进行优化,需要计算 的配分函数(partition function),即(1)式中的分母 。基于 的独立性,我们可以将(4)式转为优化(5)式。
其中 NB(n)是节点 n 的邻居。(5)式被称为伪似然函数(pseudolikelihood function)。在似然函数(4)式中,某节点的标签与图上的其他所有节点有关;在伪似然函数(5)式中,某节点的标签只与其邻域节点有关;此时,通过最大化伪似然函数求取节点标签,就只需要聚合邻域的信息。
(5)式的意义是,聚合邻域的标签信息和特征信息,通过最大化伪似然函数求取节点标签。因为 GNN 是一个聚合邻域信息并进行消息传递的过程,所以 $p_{\phi}$ 可以通过一个 GNN 实现。
接下来讨论 ,由于其独立性,故由平均场理论有:
同理, 可以通过一个 GNN 实现。
最大化似然函数:
(8)式证明见附录,参考文献 [4] 中也给出了一个类似的式子的证明过程。在(8)式中,用采样代替求期望:
(10)式中, 是一个进行特征传播的 GNN,学习一个从特征到标签的映射, 是一个进行标签传播的 GNN,学习一个从已标注节点标签到未标注节点标签的映射。为对 GMNN 进行训练,我们首先预训练 :用全体节点的特征作为输入,将已标注节点标签作为监督信息,为全体节点学习“伪标签”。优化目标:
接着,将生成的“伪标签”输入 ,训练目标是使得其生成的标签与“伪标签”尽量接近,这就是(5)式的意义。根据(8)(9)式可将(5)式简化为:
最后,将节点特征再次输入 ,训练目标是使得其生成的标签与 生成的标签尽量接近,并将此时 输出的标签作为预测结果。训练目标:
所以:
伪代码如下:
实验与应用
GMNN 除了被应用于半监督的节点分类问题外,还可以被应用于无监督学习问题和链路预测问题。
在无监督学习中,由于没有标签的节点,因此我们改为预测每个节点的邻居节点是哪些。这种“将邻域作为标签”的方法在此前的无监督学习算法(例如 DeepWalk [5])中得到广泛应用。
在链路预测问题中,使用对偶图(dual graph)[6] 将链路预测问题转换为节点分类问题。对偶图的示意图如下:
在半监督节点分类问题上的实验(使用Cora, Citeseer, Pubmed三个节点分类数据集):
在无监督学习问题上的实验:
在链路预测问题上的实验:
在 few-shot learning 问题上的实验:对于每个数据集,随机抽取每个类下的 5 个标记节点作为训练数据。GMNN 显著优于 GCN 和 GAT。这种改进甚至比半监督学习的情况(即每个类使用 20 个标记节点进行训练)更大。这一观察结果证明了 GMNN 的有效性,即使在标记对象非常有限的情况下。
参考文献
[1] Meng Qu, Yoshua Bengio, and Jian Tang. GMNN: Graph Markov Neural Networks. In ICML, 2019.
[2] Jingdong Wang, Fei Wang, Changshui Zhang, Helen C Shen, and Long Quan. Linear neighborhood propagation and its applications. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(9):1600–1615, 2009.
[3] R. M. Neal and G. E. Hinton. A view of the em algorithm that justifies incremental, sparse, and other variants. In Learning in graphical models, pp. 355–368. Springer, 1998.
[4] D. M. Blei, A. Kucukelbir and J.D. McAuliffe. Variational Inference: A Review for Statisticians. Journal of the American Statistical Association, 112(518):859-877, 2017.
[5] B, Perozzi, R. Al-Rfou, and S. Skiena, Deepwalk: Online learning of social representations. In KDD, 2014.
[6] B. Taskar, M. Wong, P. Abbeel and D. Koller. Link prediction in relational data. In NeurIPS, 2004.
更多阅读
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学习心得或技术干货。我们的目的只有一个,让知识真正流动起来。
???? 来稿标准:
• 稿件确系个人原创作品,来稿需注明作者个人信息(姓名+学校/工作单位+学历/职位+研究方向)
• 如果文章并非首发,请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发,均会添加“原创”标志
???? 投稿邮箱:
• 投稿邮箱:hr@paperweekly.site
• 所有文章配图,请单独在附件中发送
• 请留下即时联系方式(微信或手机),以便我们在编辑发布时和作者沟通
????
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
图马尔可夫网络:融合统计关系学习与图神经网络相关推荐
- [论文笔记]GMNN图马尔可夫网络原理
GMNN Note 参考: Paper: GMNN: Graph Markov Neural Networks (arxiv.org) Paper Motivation 问题定义:弱监督下的关系数据中 ...
- 【数据挖掘】贝叶斯信念网络 ( 马尔科夫假设 | 结构 | 有向无环图 | 参数 | 条件概率表 | 案例分析 )
文章目录 I . 贝叶斯信念网络 II . 马尔科夫假设 III . 贝叶斯信念网络 示例 1 IV . 贝叶斯信念网络 示例 2 V . 贝叶斯信念网络 联合概率分布计算 VI . 贝叶斯信念网络 ...
- ICML 2019 | 图马尔可夫神经网络
今天给大家介绍蒙特利尔算法研究所Yoshua Bengio教授课题组在ICML 2019发表的文章"GMNN:Graph Markov Neural Network".作者在文章中 ...
- 一次性弄懂马尔可夫模型、隐马尔可夫模型、马尔可夫网络和条件随机场!
1. 马尔可夫网络.马尔可夫模型.马尔可夫过程.贝叶斯网络的区别 相信大家都看过上一节我讲得贝叶斯网络,都明白了概率图模型是怎样构造的,如果现在还没明白,请看我上一节的总结: 贝叶斯网络 这一节我们重 ...
- 一次性弄懂马尔可夫模型、隐马尔可夫模型、马尔可夫网络和条件随机场!(词性标注代码实现)
文章目录 1. 马尔可夫网络.马尔可夫模型.马尔可夫过程.贝叶斯网络的区别 2. 马尔可夫模型 2.1 马尔可夫过程 3. 隐马尔可夫模型(HMM) 3.1 隐马尔可夫三大问题 3.1.1 第一个问题 ...
- 马尔可夫网络,(马尔可夫随机场、无向图模型)(Markov Random Field)
转载自: http://blog.sina.com.cn/s/blog_54d222750101dgz2.html 马尔可夫网络,(马尔可夫随机场.无向图模型)是关于一组有马尔可夫性质随机变量的全联合 ...
- 马尔可夫网络和贝叶斯网络的一些总结
马尔可夫网络和贝叶斯网络的一些总结 最近学习了一些关于概率逻辑的知识图谱推理方法,主要就是贝叶斯网络和马尔可夫网络,在此总结一下,内容都来自网络资料,这里加入了一下个人的理解,尽量为大家避雷! 这篇文 ...
- 贝叶斯网络( Bayesian network)和马尔科夫网络(Markov networks)
概率图模型(PGM)(或简称图模型)在形式上是由图结构组成的.图的每个节点(node)都关联了一个随机变量,而图的边(edge)则被用于编码这些随机变量之间的关系. 根据图是有向的还是无向的,我们可以 ...
- 马尔科夫网络和一阶马尔科夫链
1.马尔科夫网络指无向图 2.一阶马尔科夫链指有向图,这个时刻的状态只依赖前一个时刻 转载于:https://www.cnblogs.com/callyblog/p/10059720.html
最新文章
- 2022-2028年中国茶几玻璃行业市场研究及前瞻分析报告
- css动画使用背景图片卡顿_CSS入门学习笔记(二):布局与定位
- webpack 开发模式管理 Development
- socket未读消息 如何设计_如何设计IM系统的消息架构?
- laravel+php+支付功能,laravel+微信支付源码
- c现代方法8.2节 deal.c程序自己编写
- php滚动公告源码,JavaScript_jquery垂直公告滚动实现代码,复制代码 代码如下: !DOCTYPE - phpStudy...
- 机器视觉---九点标定
- System.Text.Json中时间格式化
- 代码内查找函数引用_叮~~二级操作题 excel常考函数大梳理
- 疯狂软件mysql视频_疯狂软件MySql视频
- php项目webpack打包,利用node.js对webpack打包
- 世界上最漂亮的写作工具Typora(创作者必备软件)
- zmq是基于tcp实现的吗_zmq消息传输基本功能的实现、传输模式
- 数据结构之二叉树实现排序功能
- 海康视频的4G接入-实时浏览
- Windows实例通过IIS如何搭建多个FTP站点
- 应用程序正常初始化(0xc000007b)失败,请单击“确定”,终止应用程序的问题处理
- 芯片尺寸越做越小,晶圆划片刀的选择至关重要
- 计算机国内ei期刊目录,最新国内EI期刊列表 - 论文投稿 - 小木虫 - 学术 科研 互动社区...
热门文章
- 浏览器解析JavaScript原理
- [leetcode] 101. 对称二叉树
- Excel添加读音(中英均可)
- HashSet与HashMap源代码深度剖析
- Codeforces Round#310 div2
- xib和storyboard小谈,
- java通过异常处理错误_java 通过异常处理错误
- java nio 堆外内存_Java堆外内存之突破JVM枷锁
- python基础案例教程_python基础教程 10-11例子如何执行
- MySQL与oracle报错显示_Oracle中判断表是否存在再删除表避免报错与MySql和SqlServer的不同...