李宏毅机器学习课程笔记-8.1图神经网络入门
GNN的用处
分类（Classification）
比如，有很多不同的化学分子，将其表示成图作为输入，用GNN判断其是否会导致突变，这就是一个有监督分类问题。
生成（Generation）
比如，我们需要开发针对新冠病毒的新药，我们可以训练出一个可以生成我们想要的分子（输出形式为图）的GNN，然后用这个GNN生成可以对抗病毒的某种化学分子。
GraphVAE
为什么要用GNN
上面列举的分类、生成的例子中输入或输出都是图，所以要用GNN。图不仅包含了各个结点的信息，更重要的是它包含了各个结点之间的关系。
使用GNN时可能遇到的问题
- 如何通过结点间的信息帮助模型
- 图中可能包含大量结点，数据集非常大
- 大量结点都是没有label的
GNN的两种思路
很直观地可以想到，一个结点和它的相邻结点肯定有某些特定的关系，比如说相似（近朱者赤近墨者黑）、相反、合作等等。在多数情况下，数据集unlabeled node都是远多于labeled node的，我们想要得到一个较好的模型，那我们要如何利用仅有的少量labeled node以及它和邻居间的关系呢？结合CNN，我们要如何将卷积这个操作推广到GNN模型中，用卷积将结点嵌入到某个特征空间中呢？有两种方法
-
Spatial-based Convolution
Generalize the concept of convolution(corelation) to graph.
-
Spectral-based Convolution
Back to the definition of convolution in signal processing.
GNN导图
任务和数据集
常见任务
- Classification
- Regression
- Graph Classification
- Graph Representation Learning
- Link Prediction
常用数据集
- CORA: citation network, 2.7k nodes and 5.4k links
- TU-MUTAG: 188 molecules with 18 nodes on average
其它
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼
转载请注明出处，欢迎讨论和交流!
