仅搜集收录了部分个人感兴趣的文章,并进行简单记录
作者文章归档:王半仙
1 计算图与邻域信息
关键问题:GNN 节点嵌入能否区分不同节点的局部邻域结构?
GNN 通过邻域定义的计算图生成节点嵌入:
- 节点 1 和节点 5,因其度数不同而具有不同的邻域结构信息
- 节点 1 和节点 2,具有相同的邻域结构信息;二者在图中是对称的
- 节点 1 和节点 4,其 2 跳邻居的信息存在差异(邻居的度不同)
由于 GNN 主要依赖节点特征,而不考虑节点 ID
因此 GNN 无法区分位置同构的节点(节点 1 和节点 2)
2 GNN 的模型表达能力
图训练的完整 Pipeline:
1 GNN 的预测
不同的任务级别需要不同的预测头(Prediction head)
- 节点(node-level)级预测:直接使用 $d$ 维的节点嵌入 $h_v^{(L)}$ 进行预测
$$ \widehat{\boldsymbol{y}}_v=\mathrm{Head}_{\mathrm{node}}(\mathbf{h}_v^{(L)})=\mathbf{W}^{(H)}\mathbf{h}_v^{(L)} $$
- 边(edge-level)级预测:使用
1 单层图神经网络
图神经网络(GNN)的通用框架:
- 可以发现,GNN 层的输入为一组向量,输出为单个向量
- 所以单层 GNN 的核心过程在于邻域信息的转换(1)和聚合(2)
- 在转换和聚合邻域信息时,还要注意考虑节点本身的信息保留
所以单层 GNN 的计算过程可表示如下: $$ \begin{aligned} \mathbf{m}_u^{(l)}&=\mathrm{MSG}^{(l)}\left(\math
1 深度学习基础
2 图神经网络的难点
图数据的复杂性:
- 存在任意大小和复杂的拓扑结构(不存在网格那样的空间局部性)
- 没有固定的节点顺序或参考点;通常是动态的并且具有多模式特征
直接将邻接矩阵或节点特征输入到传统神经网络的问题:
- $O(|V|)$ 级参数量,难以适用节点数较多的网络
- 无法适用不同尺寸的图/网络,传统网络对节点顺序敏感
置换不变性 vs 置换等价性
- 如果 $f(T(x))=f(x)$,则函数 $f(x)$ 对
2006 年 12 月,国际会议 IEEE International Conference on Data Mining(ICDM)评选出了数据挖掘领域的十大经典算法:C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.
PageRank 是早期 Google 搜索的核心算法,决定了搜索结果中的网页展示顺序
PageRank 算法最初用于网页权重的计算,它将每个网作为一个节点,网页间的超链接作为边,而最终的网页 X 权重描述了以 X 为起点,通过超链接进行随机游走 $N$ 次后,再次返回网页 X 的概率。同时为了防止随机游走进入死循环,每次随机游走还有概率 $=\alpha$ 的情况随机跳转到任意网页,不同网页的随机跳转概率是相等的
PageRank 核心思想:
- 根据网站的外部链接和内部链接的数量和质量衡量网站的价值
- 如果重要性为 $PR(i)$ 的页面 $i$ 有 $l_i$ 个外链(出度),则每个