前言

本文結(jié)合一個(gè)具體的無(wú)向圖來(lái)對(duì)最簡(jiǎn)單的一種GNN進(jìn)行推導(dǎo)。本文第一部分是數(shù)據(jù)介紹，第二部分為推導(dǎo)過(guò)程中需要用的變量的定義，第三部分是GNN的具體推導(dǎo)過(guò)程，最后一部分為自己對(duì)GNN的一些看法與總結(jié)。

1. 數(shù)據(jù)

利用networkx簡(jiǎn)單生成一個(gè)無(wú)向圖：

# -*- coding: utf-8 -*-
"""
@Time ： 2021/12/21 11:23
@Author ：KI 
@File ：gnn_basic.py
@Motto：Hungry And Humble
"""
import networkx as nx
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
G = nx.Graph()
node_features = [[2, 3], [4, 7], [3, 7], [4, 5], [5, 5]]
edges = [(1, 2), (1, 3), (2, 4), (2, 5), (1, 3), (3, 5), (3, 4)]
edge_features = [[1, 3], [4, 1], [1, 5], [5, 3], [5, 6], [5, 4], [4, 3]]
colors = []
edge_colors = []
# add nodes
for i in range(1, len(node_features) + 1):
    G.add_node(i, feature=str(i) + ':(' + str(node_features[i-1][0]) + ',' + str(node_features[i-1][1]) + ')')
    colors.append('#DCBB8A')
# add edges
for i in range(1, len(edge_features) + 1):
    G.add_edge(edges[i-1][0], edges[i-1][1], feature='(' + str(edge_features[i-1][0]) + ',' + str(edge_features[i-1][1]) + ')')
    edge_colors.append('#3CA9C4')
# draw
fig, ax = plt.subplots()
pos = nx.spring_layout(G)
nx.draw(G, pos=pos, node_size=2000, node_color=colors, edge_color='black')
node_labels = nx.get_node_attributes(G, 'feature')
nx.draw_networkx_labels(G, pos=pos, labels=node_labels, node_size=2000, node_color=colors, font_color='r', font_size=14)
edge_labels = nx.get_edge_attributes(G, 'feature')
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=14, font_color='#7E8877')
ax.set_facecolor('deepskyblue')
ax.axis('off')
fig.set_facecolor('deepskyblue')
plt.show()

如下所示：

其中，每一個(gè)節(jié)點(diǎn)都有自己的一些特征，比如在社交網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)（用戶(hù)）有性別以及年齡等特征。

5個(gè)節(jié)點(diǎn)的特征向量依次為：

[[2, 3], [4, 7], [3, 7], [4, 5], [5, 5]]

同樣，6條邊的特征向量為：

[[1, 3], [4, 1], [1, 5], [5, 3], [5, 6], [5, 4], [4, 3]]

2. 變量定義

特征向量實(shí)際上也就是節(jié)點(diǎn)或者邊的標(biāo)簽，這個(gè)是圖本身的屬性，一直保持不變。

3. GNN算法

GNN算法的完整描述如下：Forward向前計(jì)算狀態(tài)，Backward向后計(jì)算梯度，主函數(shù)通過(guò)向前和向后迭代調(diào)用來(lái)最小化損失。

主函數(shù)中：

上述描述只是一個(gè)總體的概述，可以略過(guò)先不看。

3.1 Forward

早期的GNN都是RecGNN，即循環(huán)GNN。這種類(lèi)型的GNN基于信息傳播機(jī)制： GNN通過(guò)不斷交換鄰域信息來(lái)更新節(jié)點(diǎn)狀態(tài)，直到達(dá)到穩(wěn)定均衡。節(jié)點(diǎn)的狀態(tài)向量 x 由以下 f w ?函數(shù)來(lái)進(jìn)行周期性更新：

解析上述公式：對(duì)于節(jié)點(diǎn) n ，假設(shè)為節(jié)點(diǎn)1，更新其狀態(tài)需要以下數(shù)據(jù)參與：

這里的fw只是形式化的定義，不同的GNN有不同的定義，如隨機(jī)穩(wěn)態(tài)嵌入(SSE)中定義如下：

由更新公式可知，當(dāng)所有節(jié)點(diǎn)的狀態(tài)都趨于穩(wěn)定狀態(tài)時(shí)，此時(shí)所有節(jié)點(diǎn)的狀態(tài)向量都包含了其鄰居節(jié)點(diǎn)和相連邊的信息。

這與圖嵌入有些類(lèi)似：如果是節(jié)點(diǎn)嵌入，我們最終得到的是一個(gè)節(jié)點(diǎn)的向量表示，而這些向量是根據(jù)隨機(jī)游走序列得到的，隨機(jī)游走序列中又包括了節(jié)點(diǎn)的鄰居信息， 因此節(jié)點(diǎn)的向量表示中包含了連接信息。

證明上述更新過(guò)程能夠收斂需要用到不動(dòng)點(diǎn)理論，這里簡(jiǎn)單描述下：

如果我們有以下更新公式：

GNN的Foward描述如下：

解釋?zhuān)?/p>

3.2 Backward

在節(jié)點(diǎn)嵌入中，我們最終得到了每個(gè)節(jié)點(diǎn)的表征向量，此時(shí)我們就能利用這些向量來(lái)進(jìn)行聚類(lèi)、節(jié)點(diǎn)分類(lèi)、鏈接預(yù)測(cè)等等。

GNN中類(lèi)似，得到這些節(jié)點(diǎn)狀態(tài)向量的最終形式不是我們的目的，我們的目的是利用這些節(jié)點(diǎn)狀態(tài)向量來(lái)做一些實(shí)際的應(yīng)用，比如節(jié)點(diǎn)標(biāo)簽預(yù)測(cè)。

因此，如果想要預(yù)測(cè)的話(huà)，我們就需要一個(gè)輸出函數(shù)來(lái)對(duì)節(jié)點(diǎn)狀態(tài)進(jìn)行變換，得到我們要想要的東西：

最容易想到的就是將節(jié)點(diǎn)狀態(tài)向量經(jīng)過(guò)一個(gè)前饋神經(jīng)網(wǎng)絡(luò)得到輸出，也就是說(shuō) g w g_w gw?可以是一個(gè)FNN，同樣的， f w f_w fw?也可以是一個(gè)FNN：

我們利用 g w g_w gw?函數(shù)對(duì)節(jié)點(diǎn) n n n收斂后的狀態(tài)向量 x n x_n xn?以及其特征向量 l n l_n ln?進(jìn)行變換，就能得到我們想要的輸出，比如某一類(lèi)別，某一具體的數(shù)值等等。

在BP算法中，我們有了輸出后，就能算出損失，然后利用損失反向傳播算出梯度，最后再利用梯度下降法對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新。

對(duì)于某一節(jié)點(diǎn)的損失（比如回歸）我們可以簡(jiǎn)單定義如下：

有了z(t)后，我們就能求導(dǎo)了：

z(t)的求解方法在Backward中有描述：

因此，在Backward中需要計(jì)算以下導(dǎo)數(shù)：

4.總結(jié)與展望

本文所講的GNN是最原始的GNN，此時(shí)的GNN存在著不少的問(wèn)題，比如對(duì)不動(dòng)點(diǎn)隱藏狀態(tài)的更新比較低效。

由于CNN在CV領(lǐng)域的成功，許多重新定義圖形數(shù)據(jù)卷積概念的方法被提了出來(lái)，圖卷積神經(jīng)網(wǎng)絡(luò)ConvGNN也被提了出來(lái)，ConvGNN被分為兩大類(lèi)：頻域方法（spectral-based method ）和空間域方法（spatial-based method）。2009年，Micheli在繼承了來(lái)自RecGNN的消息傳遞思想的同時(shí)，在架構(gòu)上復(fù)合非遞歸層，首次解決了圖的相互依賴(lài)問(wèn)題。在過(guò)去的幾年里還開(kāi)發(fā)了許多替代GNN，包括GAE和STGNN。這些學(xué)習(xí)框架可以建立在RecGNN、ConvGNN或其他用于圖形建模的神經(jīng)架構(gòu)上。

GNN是用于圖數(shù)據(jù)的深度學(xué)習(xí)架構(gòu)，它將端到端學(xué)習(xí)與歸納推理相結(jié)合，業(yè)界普遍認(rèn)為其有望解決深度學(xué)習(xí)無(wú)法處理的因果推理、可解釋性等一系列瓶頸問(wèn)題，是未來(lái)3到5年的重點(diǎn)方向。

因此，不僅僅是GNN，圖領(lǐng)域的相關(guān)研究都是比較有前景的，這方面的應(yīng)用也十分廣泛，比如推薦系統(tǒng)、計(jì)算機(jī)視覺(jué)、物理/化學(xué)（生命科學(xué)）、藥物發(fā)現(xiàn)等等。

以上就是圖神經(jīng)網(wǎng)絡(luò)GNN算法基本原理詳解的詳細(xì)內(nèi)容，更多關(guān)于圖神經(jīng)網(wǎng)絡(luò)GNN算法的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論