Graph neural networks: A review of methods and applications
一、induction
- 将深度模型从欧式域扩展到非欧式域,称为几何深度学习
- 图表示学习研究的发展,用低维向量学习表示节点、边、子图;
Deepwalk采用SkimGram模型;node2vec、LINE等方法;但也有缺点:编码器节点之间没有共享参数;直接嵌入方法缺乏泛化能力,不能处理动态图。
- 2017,2019是两篇GNN综述;GNN可以分为递归图神经网络,卷积图神经网络,图自动编码器,时空图神经网络。
- 目前的一些研究的进展,图对抗网络,图注意力网络,等方法,本文是对这些方法的总结和应用的总结
二、GNNs的设计
- 找到图结构 结构化还是非结构化
- 指定图的类型和规模 有向图/无向图;同构/异构;静态/动态图;或他们的组合。重点是关注这些图的特点提供的附加信息,在设计过程中也要结合这些附加信息。
- 设计损失函数
- 利用模块建立模型
三、计算模块实例化
- 传播模块--卷积算子
将其他域的卷积推广到图域,主要分为光谱方法和空间方法。
谱方法中,学习到的滤波器都依赖于图结构。这些滤波器不能应用于不同结构的图。
空间方法基于图的拓扑结构直接在图上定义卷积。空间方法的主要挑战是用不同大小的邻域定义卷积运算,并保持cnn的局部不变性。
GraphSAGE不使用完整的邻居集,而是统一采样固定大小的邻居集来聚合信息。