图机器学习导论



前言

  传统机器学习的数据样本之间存在独立同分布的关系,也可认为“样本之间无关联”。在执行分类或回归任务时,仅需完成拟合决策边界或分布曲线的工作即可。这些“样本之间无关联”的应用场景可以使用经典的全连接神经网络、卷积神经网络、循环神经网络、Transformer等方法。对于“样本之间无关联”的应用场景,可将样本转换为不包含“关联关系”的节点与包含“关联关系”的这两个部分,然后利用图神经网络来解决“样本之间存在关联”的问题。


一、图神经网络的特点

  1. 输入尺寸任意、拓扑结构复杂;
  2. 无固定节点顺序、无参考锚点;
  3. 图结构动态变化、多模态特征。

二、图神经网络的流程

1.整体流程

在这里插入图片描述
  无需人工特征工程,通过端到端的表示学习来实现自动学习特征。

2.表示学习

  表示学习是将节点表示为d维向量(包含节点的链接关系)
在这里插入图片描述

3.常用场景

  1. 最短路径搜索
  2. 节点重要度分析
  3. 社群检测
  4. 关系预测
  5. 相似度分析
  6. 图嵌入(表示)
    在这里插入图片描述

4.任务层次类型

  1. 节点层任务
  2. 连接层任务
  3. 社群(子图)层面任务(聚类)
  4. 图层面任务(图预测、图生成)

5.任务分类

  1. 节点分类
  2. 连接预测
  3. 图分类
  4. 聚类
  5. 社群检测
  6. 异常检测

在这里插入图片描述

Logo

魔乐社区(Modelers.cn) 是一个中立、公益的人工智能社区,提供人工智能工具、模型、数据的托管、展示与应用协同服务,为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作,由全产业链共同建设、共同运营、共同享有,推动国产AI生态繁荣发展。

更多推荐