祁连网站建设公司,ih5制作平台官网免费,沈阳男科医院在线咨询免费,帮做简历哪个网站好1.为什么会提出图神经网络#xff1f; 答#xff1a;为了处理图Graph这种特殊的数据结构。 2.为什么要与神经网络搭上关系#xff1f; 答#xff1a;利用神经网络能够拟合任意函数的能力#xff08;或者理解为强大的为特征变换能力#xff09;。 3.图神经网络的最终目的是… 1.为什么会提出图神经网络 答为了处理图Graph这种特殊的数据结构。 2.为什么要与神经网络搭上关系 答利用神经网络能够拟合任意函数的能力或者理解为强大的为特征变换能力。 3.图神经网络的最终目的是什么 答最根本的目的给节点做特征聚合。原因如下首先图神经网络的提出是在卷积CNN的基础上提出的通过不断堆层最下层的特征图就能够获取整张图片的信息。在图结构中目的也是将整个图的信息汇聚到节点身上。 4.神经网络如何给节点做特征聚合呢 答每一个节点都需要聚合图中其他节点的信息把这个聚合过程当中一个函数神经网络的作用就是学习这些聚合函数如果有10个节点就需要学习10个特征聚合函数。 5.做节点特征聚合的方式有哪些 答利用下面的方法不断地堆层即可堆2-3层即可。注意堆层就叫做图卷积。这里的卷积只是借鉴了图像领域卷积的意义操作方式和图像领域地卷积是不同的。 6.图神经网络的样本形状是什么样的 答①可以只有一个图样本。比如只有一张很大图节点上百个此时更小的样本就是节点了我们可以做节点分类、节点状态估计等操作。这种操作就是实际上就是在一张图上给节点特征做聚合其他节点信息的特征变换。 ②可以有多个样本即大量的图样本此时需要考虑batch的概念。实际上这才是真正的神经网络因为神经网络就是在指定数据集上进行似然使模型适应数据集的数据分布情况。这种情况下网络不断学习大量样本聚合函数更具鲁棒性。 7.图神经网络与注意力结合 答这里有自注意力机制为例自注意力机制本质上就是一个特征加权的过程把别人的特征通过注意力得分加到自己身上的过程这一点和节点信息聚合是类似的。 但是在图神经网络当中不关注每个节点的重要性而是关注节点之间边的重要性重要性可以根据节点特征的相似度进行计算。如果不考虑注意力机制最原始的就是哪个A~归一化矩阵考虑注意力机制的话就得对便之间的联系进行修正此时加一个修正权重矩阵即可。 8.图神经网络与时间序列结合 答我们已经指定图神经网络就是做特征聚合换用的。图时间序列结合是指每一个时刻的数据都是图而不是一个截面多特征变量了。而且与时间序列有关的神经网络模型适应RNN通过学习和编码大量时间序列数据得到一个高阶的向量Ht。所以图神经网络与时间序列结合即T-GNN的基本要求就是给RNN的每一个时刻提供信息聚合之后的特征向量。 总结
1.图神经网络的处理对象是图Graph结构。本质上就是一种特征聚合变换的方法考虑整个图个特征原理类似于自注意力机制是一个将其他特征加权到自身的过程。神经网络在里面的作用是实现一个端到端的优化任务梯度下降进而实现这种特征自动聚合即自动学习特征的功能。
2.图神经网络与注意力机制的结合主要是考虑节点之间的联系程度。而不着重考虑每个节点的重要性。
