图神经网络从入门到入门
数据派THU
共 8652字,需浏览 18分钟
·
2023-03-04 09:21
来源:AI有道 极市平台 本文约5900字,建议阅读10分钟
本篇文章将从一个更直观的角度对当前经典流行的GNN网络,包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。
一、为什么需要图神经网络?
图的大小是任意的,图的拓扑结构复杂,没有像图像一样的空间局部性; 图没有固定的节点顺序,或者说没有一个参考节点; 图经常是动态图,而且包含多模态的特征。
二. 图神经网络是什么样子的?
三、图神经网络的几个经典模型与发展
图9
Graph Auto-Encoder(GAE)[10]
分配矩阵的学习
池化分配矩阵
参考
本文亮点总结
1. GCN的缺点也是很显然易见的:
第一,GCN需要将整个图放到内存和显存,这将非常耗内存和显存,处理不了大图;
第二,GCN在训练时需要知道整个图的结构信息(包括待预测的节点)。
2. GraphSAGE的优点:
(1)利用采样机制,很好的解决了GCN必须要知道全部图的信息问题,克服了GCN训练时内存和显存的限制,即使对于未知的新节点,也能得到其表示;
(2)聚合器和权重矩阵的参数对于所有的节点是共享的;
(3)模型的参数的数量与图的节点个数无关,这使得GraphSAGE能够处理更大的图;(4)既能处理有监督任务也能处理无监督任务。
3.GAT的优点:
(1)训练GCN无需了解整个图结构,只需知道每个节点的邻居节点即可;
(2)计算速度快,可以在不同的节点上进行并行计算;
(3)既可以用于Transductive Learning,又可以用于Inductive Learning,可以对未见过的图结构进行处理。
编辑:王菁
评论