网站模板怎么建设,在线手机网站预览,网站悬浮窗口,站长工具名称查网站图神经网络
GNN是一种连接模型#xff0c;通过网络中节点之间的信息传递的方式来获取图中的依存关系#xff0c;GNN通过从节点任意深度的邻居来更新该节点状态#xff0c;这个状态能够表示状态信息。第一次在论文 The graph neural network model 中提出
与传统NN的区别通过网络中节点之间的信息传递的方式来获取图中的依存关系GNN通过从节点任意深度的邻居来更新该节点状态这个状态能够表示状态信息。第一次在论文 The graph neural network model 中提出
与传统NN的区别GNN优点
节点 CNN和RNN等都需要节点的特征按照一定的顺序进行排列 但对于图结构并没有天然的顺序。所以GNN采用*在每个节点上分别传播(propagate)*的方式进行学习由此忽略了节点的顺序相当于GNN的输出会随着输入的不同而不同。边图结构的边表示节点之间的依存关系 传统的神经网络不是显式地表达中这种依存关系而是通过不同节点特征来间接地表达节点之间的关系这些依赖信息只是作为节点的特征。 GNN 可以通过图形结构进行传播而不是将其作为节点特征的一部分通过邻居节点的加权求和来更新节点的隐藏状态推理 推理是高级人工智能的一个非常重要的研究课题人脑中的推理过程几乎都是基于从日常经验中提取的图形。标准神经网络已经显示出通过学习数据分布来生成合成图像和文档的能力同时它们仍然无法从大型实验数据中学习推理图。然而GNN 探索从场景图片和故事文档等非结构性数据生成图形这可以成为进一步高级 AI 的强大神经模型。
深度图编码器 通用GNN网络 GNN 层 消息 聚合将GNN层连接到GNN原始输入图≠计算图 Graph feature augmentation 特征扩增 Graph structure augmentation 机构扩增 通用GNN模板 GNN层数不能过深 所有节点的Embedding相同 GNN层的内部可以加深度神经网络
样本之间独立同分布 随机时间“所有样本都被正确预测”发生的概率P0.60.30.7 P越大-预测结果越好-算法模型越好 优化目标更新算法模型参数使得P最大化极大似然估计 最大化P-最大化P取对数logPlog0.6log0.3log0.7-最小化负对数-log0.6-log0.3-log0.7
参考资料
图神经网络GNN模型原理及应用综述:https://blog.csdn.net/weixin_45884316/article/details/115751272 图神经网络Graph Neural NetworksGNN综述 :https://zhuanlan.zhihu.com/p/75307407
