图神经网络 - 概述

在过去十年中，我们已经看到神经网络在图像和文本等结构化数据中表现非常出色。大多数流行的模型，如卷积网络、循环、自动编码器，在具有矩阵或向量等表格格式的数据上工作得很好。但是非结构化数据呢？图形数据呢？有没有一个模型可以有效地从中学习？你可能从标题就猜到了。答案是

卷积网络 循环 自动编码器

图神经网络。

图神经网络早在 2005 年就被引入（就像所有其他好主意一样），但它们在过去 5 年里开始流行起来。GNN 能够对图中节点之间的关系进行建模并生成它的数字表示。 GNN 的重要性非常显著，因为现实世界中有太多数据可以表示为图形。社交网络、化合物、地图、交通系统等等。因此，让我们了解一下 GNN 背后的基本原理以及它们为何有效。

让我们首先定义我们的基本问题：我们想要将给定的图形映射到单个标签，该标签可以是数值、类或其他任何东西。换句话说：

F( Graph )=嵌入 F(\text { Graph })=嵌入F( Graph )=嵌入 F( Graph )=嵌入 F(\text { Graph })=嵌入F( Graph )=嵌入 F( Graph )=嵌入 F(\text { Graph })=嵌入 $F( Graph )=嵌入\; F(\backslash text\; \{\; Graph\; \})=嵌入$ F( Graph )=嵌入 F(\text { Graph })=嵌入 F( Graph )=嵌入 F ( Graph ) = e m b e d d i n g F(\text { Graph })= 嵌入 F( Graph )=嵌入 div> F(图表)= F ( 图表 图表 ) = 嵌入 e m b e d d i n g 我们想要找到函数 F。例如，假设每个图都是一个化合物或一个分子，标签是该分子可用于生产某种药物的可能性。如果我们有办法从每个图中提取标签，我们基本上就找到了一种方法来预测哪些分子更有可能用于药物。很酷，对吧？ LSTM 谈话 给你。Ta-ra lad。 F(图表)= F ( 图表 图表 ) = 嵌入 e m b e d d i n g

我们想要找到函数 F。例如，假设每个图都是一个化合物或一个分子，标签是该分子可用于生产某种药物的可能性。如果我们有办法从每个图中提取标签，我们基本上就找到了一种方法来预测哪些分子更有可能用于药物。很酷，对吧？

LSTM 谈话

给你。Ta-ra lad。