Graph Representation Learning学习笔记-chapter6

Posted 2022-11-20 Dodo·D·Caster

Chapter6 Graph Neural Networks in Practice

讨论应用、优化问题、损失函数和正则化的使用

6.1 Applications and Loss Functions

GNNs的主要应用：

• node classification 节点分类
  • 如预测用户是否为机器人
• graph classification 图分类
  • 如基于分子结构的性质预测
• relation prediction 关系预测
  • 如线上平台的内容推荐

参数：

• $z_u$：最后一层GNN的节点嵌入
• $z_G$：通过池化函数产生的graph-level嵌入

6.1.1 GNNs for Node Classification

全监督的形式训练GNNs

• 用softmax classification和negative log-likelihood loss来定义损失函数

- $Y_u$：one-hot vector
    - 指示训练节点u的类别
- softmax($Z_u,Y_u$)：节点u属于类别$Y_u$的预测的可能性

    - $w_i$：可训练的参数

训练节点：消息传递中包含的节点同时也被用来计算损失
转换测试节点：一些节点没有标签，虽然会被用于消息传递时生成hidden representation，但输出的最后一层嵌入中这些节点不会用于损失函数的计算
归纳测试节点：既不用于消息传递也不用于损失函数

6.1.2 GNNs for Graph Classification

方法1：softmax classification loss

• 不同点在于该损失是通过标签好的图的graph-level嵌入计算的

方法2：squared-error loss

• MLP：具有单变量输出的密连接神经网络
• $y{G}_i$：训练图$G_i$的目标值

6.1.3 GNNs for Relation Prediction

方法：采用Chapter3&4里面的pairwise node embedding loss functions

6.1.4 Pre-training GNNs

如对节点分类的损失微调之前，预先训练GNN来重建缺失的边

在GNN中，由于消息传递过程以及很好地encode邻居信息，所以pre-training的效果不佳，但是在DGI中表现很好

Pre-training损失函数：让GNN模型可以学习生成能够区分真实的图和它的损坏部分的节点嵌入？？

6.2 Efficiency Concerns and Node Sampling

node-level消息传递方程如果直接实现在计算上很低效（因为很多节点会有共同邻居）

6.2.1 Graph-level Implementations

基本思想：基于稀疏矩阵乘法来实现消息传递操作

• $H^{(k)}$：包含了k层图中所有节点的嵌入的矩阵
• 优点：没有冗余计算
• 缺点：
  • 需要对整个图和所有节点特征进行操作，会占用很大的内存
  • 限制了one to full-batch gradient descent

6.2.2 Subsampling and Mini-Batching

为了限制内存占用和方便mini-batch training，可以采用节点的子集来进行消息传递。

• 在图中每个patch的子集上计算node-level GNN equation
• 挑战：
  • 不能只跑每个子集的消息传递而不计算损失
  • 每次移除一个节点，需要同时移除对应的边，不能保证选择的随机子集能构成一个连通的图
  • 为每个mini-batch选择随机子集不利于模型的性能
• 解决方式：subsampling node neighborhoods
  • 基本思想：首先为一个batch选择目标节点集合，然后递归地采样这些集合的邻居来确保图的连通性

6.3 Parameter Sharing and Regularization

GNN正则化方法

• 标准正则化方法
  • L2 Regularization
  • dropout
  • layer normalization
• 针对GNN的正则化方法
  • Parameter Sharing Across Layers
    • 在GNN的所有AGGREGATE和UPDATE方法上使用相同的参数
    • 对于大于6层的GNN最有效
  • Edge Dropout
    • 在训练过程中随机丢弃邻接矩阵中的边
      • 使GNN不容易过拟合
      • 增加GNN对于邻接矩阵中的噪音的鲁棒性
    • 适合知识图谱和GAT