详细内容或原文请订阅后点击阅览
图形神经网络第3部分：图形如何处理更改图结构
以及如何将其用于大图，帖子图神经网络第3部分：图形处理如何首先出现在数据科学上。
来源:走向数据科学本系列的一部分，我们研究了图形卷积网络（GCN）和图形注意网络（GATS）。两种体系结构都可以正常工作，但是它们也有一些局限性！一个很大的是，对于大图，计算使用GCN和GAT的节点表示形式将变成V-E-R-Y慢。另一个限制是，如果图形结构发生变化，则GCN和GAT将无法概括。因此，如果将节点添加到图中，则GCN或GAT无法为其做出预测。幸运的是，这些问题可以解决！
在这篇文章中，我将解释图形以及它如何解决GCN和GAT的常见问题。我们将训练图形并将其用于图表预测，以将性能与GCN和GAT进行比较。
图形GNNS的新手？您可以从有关GCN的POST 1开始（还包含用于运行代码示例的初始设置），然后发布有关GAT的2。发布有关GCNS 帖子2关于Gats
GCN和GATS的两个关键问题
我很快在引言中涉及它，但让我们深入研究。以前的GNN模型有什么问题？
问题1。他们不概括
GCN和GAT努力概括看不见的图。图结构必须与训练数据相同。这就是被称为跨导性学习，模型在同一固定图上进行训练并进行预测。它实际上对特定的图形拓扑过度拟合。实际上，图形将改变：可以添加或删除节点和边缘，这在现实世界中经常发生。我们希望我们的gnns能够学习概括为看不见的节点或全新图表的模式（这称为归纳学习）。
thrductive学习 电感 学习问题2。他们有可伸缩性问题
让我们看一下图形以解决这些问题。