图神经网络笔记总结

本文的所有图表均来自于 https://distill.pub/2021/gnn-intro/

图神经网络：GNN

首先我们需了解图结构是什么？

图结构U(V,E)，V代表图的每个顶点，E代表点与点之间的连接

如图所示，这就是一个最典型的图结构。

常见的图数据场景包括，交通网络，分子结构，社交网络等传统网络模型。

图又分为两种： 有向图和无向图：

  为了进一步描述每个节点，边或整个图，我们可以将信息存储图中的每一个片段。

分别用不同的向量表示特征。

图像的图表示：

 文本作为图表

我们可以通过将索引与每个字符、单词或标记相关联，并将文本表示为这些索引的序列来对文本进行数字化。这将创建一个简单的有向图，其中每个字符或索引都是一个节点，并通过一条边连接到它后面的节点。

 根据图级任务：

我们的目标是预测整个图的属性。例如，对于表示为图表的分子，我们可能想要预测该分子的气味，或者它是否会与与疾病有关的受体结合。

 节点级任务：

 边缘级任务

 然而现在图神经网络面临的挑战有：

图有四种属性，顶点，边，全局，连接

根据深度学习进行预测前三中，但是进行连接性表示的时候，会导致连接矩阵变得过于稀疏，导致效率低下。

目前通过连接列表的形式进行灵活存储

1首先我们呢考虑将边，节点，全局都分别用MLP表示

 如下图所示，就可以与神经网络进行衔接了。

聚合操作与卷积类似，均值，最大值或者直接求和，用于在边或者顶点缺失时进行聚合补充