
前置知识:CS224W 图机器学习04:GNN 深入理解、CS224W 图机器学习05:GNN 的训练与预测、 CS224W 图机器学习06:GNN 的理论理解
本节主题:如何使得 GNN 的嵌入更具表示力?
1 图神经网络的局限性
一个"完美"的 GNN 应该具备什么特征?
- 能在邻域结构(无论跃点如何)和节点嵌入之间构建一个单射函数
- 如果两个节点具有相同的邻域结构,则它们必须具有相同的嵌入
- 如果两个节点具有不同的邻域结构,则它们必须具有不同的嵌入
问题 1:
1 深度图生成模型基础
图生成的应用:药物发现、材料设计、社交网络建模
图生成的意义:理解图的表达、预测图的演变、实现图的模拟、检测图的异常
图生成的发展:(1)根据现实世界构建图(2)传统图生成(3)深度图生成
之前学习的图编码是一个 encoding 的过程,而图生成是一个 decoding 的过程
图生成的目标:给定来自 $p_{data}(G)$ 的图采样,构建模型 $p_{model}(G)$ 学习图的分布

图生成的的过程
- 基于最大似然估计,让
模型参数的常见数据类型:

- Float32 (FP32) 是标准的 32 位浮点表示,包含 1 符号位+8 指数位+23 尾数位
- Float16 (FP16) 则包含 1 符号位+5 指数位+10 尾数位,数值范围远小于 FP32
- Bfloat16 (BF16) 包含 1 符号位+8 指数位+7 尾数位,牺牲精度来保证数值范围
- TensorFloat-32 (TF32) ,使用 19 位表示,结合了 BF16 的范围和 FP16 的精度
- Int8 (INT8) 是一个 8 位的整型数据表示,可以存储 256 个不同的值
在机器学习术语中,FP32 称为全精度 (4 字节),而 BF1
独立冗余磁盘阵列(Redundant Array of Independent Disks,RAID)技术
- 多块独立的硬盘(物理硬盘)按不同方式组合成一个硬盘组(逻辑硬盘)
- 降低数据存储的费用,提供更强的存储性能,通过备份技术改善数据安全
RAID 技术的常见规范

- RAID0,将数据划分为 N 份存储到 N 个硬盘,读写效率高但不支持数据容错和备份;适合于对数据量大,但安全性要求不高的场景,比如音像、视频文件的存储等
- RAID1,将一份数据同时写入两块硬盘,硬盘利用率只有 50%,但坏了一块硬盘还能继续用;适合数据安全性要求比较高的场景,如邮件系统,数据库等
- RAID3,将数据划分
1 推荐系统的任务与评价
推荐系统可以建模为二分图(bipartite graph)
- 具有两种类型的节点——用户(user)和项(item)
- 边用于连接用户和项,表示二者间的互动(比如点击、购买或评论)
任务:给定历史图,预测每个用户未来将产生的交互项(链接预测问题)
前置知识:推荐排序模型评价指标
基于嵌入表示的推荐系统建模思路
- 对于每一个用户 $u$,基于编码器生成对应的用户嵌入表示
- 对于每一个可交互项 $v$,基于编码器
碘
碘的作用也非常重要,特别是对于要减肥的人来说,一般来说,经常吃海鲜的人,不会缺碘,比如说海边的人。对于内陆山区的人来说,可能需要补充一些碘。
碘的主要作用,维持甲状腺健康,新陈代谢,免疫系统,认知能力,防止脱发等等。
镁
缺镁的人也比较多,据美国的数据发现,大概一半的人,镁摄入量都不足。
镁的功能也非常多,和精力、肌肉(抽筋)、神经系统、运动表现、心理压力、睡眠质量等等都有关系。
硒
一种很重要的矿物质元素,抗氧化效果也不错,降低 DNA 损害,改善免疫系统,有一定的抗癌功效,还有一个很重要的功效,维护甲状腺健康,还可以减少哮喘。
硒作
