基于图卷积网络的图深度学习

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于图卷积网络的图深度学习相关的知识,希望对你有一定的参考价值。

        基于图卷积网络的图深度学习

技术分享
先简单回顾一下,深度学习到底干成功了哪些事情!
技术分享
深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功。ImageNet:是一个计算机视觉系统识别项目, 是目前世界上图像识别最大的数据库,并且被业界熟知。
我们先回顾一下,没有大数据支撑的欧式深度学习技术。对于一个字母“Z”的识别,我们通常是建立一个2D网格(点阵),如果将其中的点连接起来,定义这样的连接方式所形成的就是“Z”。然后是用其他字母来测试,这个模型的正确性。

技术分享
技术分享
传统深度学习的方法,实际上就是一种手工设计特征的过程。而且,在准确率上没有保障。而真正的深度学习,端到端的学习,其中的过程到底发生了什么,设计者什么也不知道,自然也不会人为的去干涉。
技术分享
技术分享
如果数据不能网格化,那么CNNs就失去了作用。所以,CNNs在一定程度上还是有很多缺陷的。例如图结构数据,如何处理?在现实世界中这样的例子很多很多:社交网络(著名的六度理论),万维网,知识图,等等这些都是图结构,不是网格结构,对于这些我们该怎么解决。
技术分享
技术分享
下面是一个简单的解决图结构数据的方法。
技术分享

这个方法到底会出现什么样的问题呢?为了解决问题,我们需要什么呢?
技术分享
先简单介绍一下第一阶消息传递的GCNs,这个理论在2009年就已经被提出来了。
技术分享
接下来,我们了解一下GCN模型架构!
技术分享
GCN模型架构到底能干什么呢?先举个小栗子。
技术分享
GCN模型与大名鼎鼎魏勒雷曼算法的关系到底是什么样的呢?
技术分享
技术分享
图的半监督分类也是一种不错的方法。
技术分享
半监督分类嵌入方法——两步管道,这个方法也有一些问题,但我想这是可以解决的。
技术分享

举个小栗子,视频链接是一个关于半监督学习的小例子,有兴趣的朋友可以去看一下。
技术分享
视频:
http://tkipf.github.io/graph-convolutional-networks/
此外,还有关于引文网络的分类,也可以 通过这个方法实现。
技术分享
下面2-layerGCN模型的实验结果
技术分享
技术分享
还要一些这个方法最近应用到其他程序的案例。
技术分享
用这个方法关于图auto-encoders链接的预测。下面是auto-encoders的介绍
技术分享
Autoencoders
进一步的阅读
Blog post Graph Convolutional Networks:
http://tkipf.github.io/graph-convolutional-networks
Code on Github:
http://github.com/tkipf/gcn
Kipf & Welling, Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017:
https://arxiv.org/abs/1609.02907
Kipf & Welling, Variational Graph Auto-Encoders, NIPS BDL Workshop, 2016: https://arxiv.org/abs/1611.07308
技术分享


















































以上是关于基于图卷积网络的图深度学习的主要内容,如果未能解决你的问题,请参考以下文章

图深度学习入门教程——全连接神经网络与图卷积

论文解读丨基于局部特征保留的图卷积神经网络架构(LPD-GCN)

深度学习100例 | 第52天-图卷积神经网络(GCN):实现论文分类

深度学习100例 | 第52天-图卷积神经网络(GCN):实现论文分类

中科院计算所沈华伟:图卷积神经网络的思想起源

深度学习与图神经网络核心技术实践应用高级研修班-Day3图神经网络(GNN)