图神经网络 (GNN) 的工作原理：从头开始介绍图卷积

在本教程中，我们将探索图神经网络和图卷积。图是具有内在结构的数据的超级通用表示。我将为该领域的初学者澄清一些模糊概念。

图是具有内在结构的数据的超级通用表示

最直观的图过渡是从图像开始。

为什么？

因为图像是高度结构化的数据。它们的组件（像素）以有意义的方式排列。如果更改像素的结构方式，图像将失去其意义。此外，图像具有非常强的局部性概念。

高度结构化 局部性

作者提供的图片。位置：希腊埃维亚岛

作者提供的图片。位置：希腊埃维亚岛

如您所见，像素排列成网格，这是图像的结构。由于结构很重要，因此设计过滤器以对像素邻域的表示进行分组是有意义的，这就是卷积！

结构

像素还具有一个或多个强度通道。在一般形式中，每个像素都有一个描述它的特征向量。因此，通道强度可以被视为图像的信号。

信号

我们不以预先描述的方式考虑图像的原因是结构和信号（特征）的表示被合并在一起。

理解图的关键概念是结构和信号（特征）的分解，这使它们成为如此强大和通用的方法。

代码：本文附有 colab 笔记本。

代码：本文附有 colab 笔记本。

笔记本

分解特征（信号）和结构

正如我们在 Transformers 中看到的，自然语言也可以分解为信号和结构。结构是单词的顺序，它暗示了句法和语法上下文。这是一个说明性示例：

Transformers

作者图片

作者图片

现在，特征将是一组词嵌入，顺序将在位置嵌入中编码。

位置嵌入 NNN NNN NN $NN$ NN N N N N N N N×N > N × N