图深度学习(deep learning on graphs)第四章第二部分(4.2)阅读笔记
Posted ptxx_p
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图深度学习(deep learning on graphs)第四章第二部分(4.2)阅读笔记相关的知识,希望对你有一定的参考价值。
说明之前写的文章的序号混乱,目前作规定标题优先级定位如下:一、1、(1)、<1>。
二、preserving structural role
struc2vec是一种保持结构相似度的图嵌入方法,与deep walk的mapping function以及reconstructor function一致,下面只对它的extractor进行介绍。
1、measuring structural role similarity 测量结构相似度
结构相似度定义:
2、基于结构相似度构建图(构建的图用于生成random walks)
构建一个多层权重图来包含节点之间的结构相似度。
3、在新构建的图上进行biased random walk
三、preserving node status
一种图嵌入方法要求同时保存node co-occurrence以及node global status。这种方法包含两个部分,一个部分用于保存node co-occurrence(这一部分和deep walk一致),另一个部分用于保存node global status(关注保存global status ranking)。在保存global status的部分的extractor计算global status scores,然后对这些scores作降序排列。而reconstructor就用来重构这些ranking。
1、extractor
global status scores可以通过之前2.2部分介绍的中心性度量计算得到,然后对这些scores进行降序排列,得到节点序列
v
(
1
)
,
v
(
2
)
,
.
.
.
,
v
(
n
)
v_{(1)},v_{(2)},...,v_{(n)}
v(1),v(2),...,v(n),下标代表了新的rank。
2、reconstructor
reconstructor需要从embedding信息中重构出extractor挖掘出的ranking信息,希望得到所有节点的相对排序。
四、preserving community structure
一种基于矩阵分解的方法保存了node-oriented结构(含connections以及co-occurrence)以及community structure。
1、保存node-oriented structure
包含pairwise connectivity information,邻居节点的similarity。
(1)extractor
pairwise connection information可以用图的邻接矩阵
A
A
A表示。
对于节点
v
i
,
v
j
v_i,v_j
vi,vj,pairwise neighborhood similarity定义:
最终,extracted information为矩阵
A
,
S
A,S
A,S.
(2)reconstructor and objective
2、保存community structure
3、完整的objective
以上是关于图深度学习(deep learning on graphs)第四章第二部分(4.2)阅读笔记的主要内容,如果未能解决你的问题,请参考以下文章
图像去噪的深度学习最新综述论文,36页pdf,Deep Learning on Image Denoising
深度学习与图神经网络核心技术实践应用高级研修班-Day4深度强化学习(Deep Q-learning)
Image inpainting based on deep learning - A review图像修复 2021 最新综述