公众号:尤而小屋 作者:Peter 编辑:Peter
图神经网络GNN和传统深度学习网络的对比:
循环神经网络(1997)和卷积神经网络(2012):擅长处理图像等欧式数据或者文本和信号等序列数据
图神经网络:擅长处理社交网络、推荐系统、药物发现和程序分析中的图和流行结构等数据
图结构数据不适合高度规则化的神经网络结构,比如RNN或者CNN等。
GNN是专门设计的用于在图结构数据上进行操作的神经网络架构,其目的是通过聚合邻居节点的表征及其前一次迭代中的表征来迭代更新节点表征。
学习到表征后,GNN的基本任务就是进行节点分类,将节点分类到一些预定义的类别中。
训练深度图神经网络的问题:过平滑问题(其中所有的节点都有类似的特征)
GNN能够达到一维Weisfeiler-Lehman测试的表达能力,甚至超越该能力,包含附加随机属性、距离属性和利用高阶结构等。
研究提出不同的抽样策略:
鲁棒性检验的标准方法:构造输入图数据的一个微小变化,观察是否导致预测结果发生较大变化。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。