1 课程简介
课程内容大纲：
- 图嵌入表示（Node Embedding）方法：DeepWalk，Node2vec
- 图神经网络（GNN）：GCN、GraphSAGE、GAT…
- 图自注意力（Graph Transformers）
- 知识图谱和推理：TransE，BetaE
- 图生成模型：GraphRNN
- 3D 图模型：Molecules
- 扩展到大规模的图数据
- 图应用：生物医学、科学技术
背景要求：机器学习、算法和图论、概率论与数理统计、Python/PyTorch
其他推荐工具：
- 基于 PyTorch 构建的图神经网络库： PyG (PyTorch Geometric)
- 图神经网络设计平台：GraphGym
- 其他网络分析工具：SNAP.PY、NetworkX'
2 图的必要性
图是一种描述和分析实体及其关系/交互的通用语言
可用图描述的数据类型：
- 事件、计算机网络、疾病传染、食物链、粒子网络、交通轨道
- 社交网络、经济网络、通讯网络、论文引用、互联网、神经系统
- 知识图、调控网络、场景结构、代码流程、分子结构、3D 形状
如何利用图关系结构进行更好地预测？
- 现代深度学习工具箱专为简单序列和网格（比如文本、音频、图像数据）而设计
- 图作为一种深度学习的新领域，需要一个适用性更广的神经网络
图神经网络在 ICLR 的 2023 热度词上排名第 4：
3 图的复杂性
图网络结构的复杂性：
- 存在任意规模和复杂度的拓扑结构（即没有像网格那样的空间局部性）
- 没有固定的节点顺序或参考点（锚定点）
- 通常是动态的并且具有多模式特征，即图表示可能不是唯一的
异构图（heterogeneous graph）定义如下： $$ G=(V,E,R,T) $$
- 节点 $v_i\in V$ 具有节点类型 $T(v_i)$
- 边 $(v_i,r,v_j) \in E$ 具有关系类型 $r\in R$
- 节点和边都具有属性/特征
其他图的概念：有向图、无向图、二分（Bipartite）图
二分（Bipartite）图：图节点可用分为两个不相交的集合，并且边只存在于两个集合之间（即集合内部不存在边）；举例以说明二分图：以"撰写"为边，"作者"和"文章"这两个节点集合是不相交的，并且不会存在"作者 A 撰写作者 B"或者"文章 A 撰写文章 B"的情况
4 图机器学习的应用
一般来说，图机器学习的预测主要包括三个层级：
- 节点级（Node-level）预测
- 链路级（Link-level）预测
- 图级（Graph-level）预测
节点级（Node-level）预测目标：图网络中节点的结构或位置
- 节点的度（与该节点关联的边的条数）
- 节点重要性和位置（比如：相邻节点的度加和；去其他节点的最短路径）
- 节点周围的子结构（比如：异构连通子图 Graphlets）
- 节点级预测示例：AlphaFold2：高精度蛋白质结构预测
链路级（Link-level）预测目标：根据现有链接预测新的或未知的链接
- 给定不存在链接的节点对，直接预测二者间存在链接的概率
- 按照存在链接的概率排序，直接预测 Topk 个没有链接的节点对
- 链路级预测示例 1：推荐系统，推荐用户可能喜欢的商品
- 链路级预测示例 2：药效推断，给定两种药物预测不良副作用
图级（Graph-level）预测目标：对整个图或子图进行预测
- 图级预测示例 1：道路规划，根据交通路径图推断到达时间（ETA）
- 图级预测示例 2：药物发现，从候选库中预测有药物潜力的化学分子
- 图级预测示例 3：图演化任务，预测图结构如何随时间而演变
GraphCast：基于多网格 GNN 的中期天气预报系统（高性能低成本）