图神经网络GNN算法

本文结合一个具体的无向图来对最简单的一种GNN进行推导。本文第一部分是数据介绍,第二部分为推导过程中需要用的变量的定义,第三部分是GNN的具体推导过程,最后一部分为自己对GNN的一些看法与总结。

Posted in Python onMay 11, 2022

前言

本文结合一个具体的无向图来对最简单的一种GNN进行推导。本文第一部分是数据介绍,第二部分为推导过程中需要用的变量的定义,第三部分是GNN的具体推导过程,最后一部分为自己对GNN的一些看法与总结。

1. 数据

利用networkx简单生成一个无向图:

# -*- 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:

图神经网络GNN算法


其中,每一个节点都有自己的一些特征,比如在社交网络中,每个节点(用户)有性别以及年龄等特征。

5个节点的特征向量依次为:

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

同样,6条边的特征向量为:

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

2. 变量定义

图神经网络GNN算法

特征向量实际上也就是节点或者边的标签,这个是图本身的属性,一直保持不变。

3. GNN算法

GNN算法的完整描述如下:Forward向前计算状态,Backward向后计算梯度,主函数通过向前和向后迭代调用来最小化损失。

图神经网络GNN算法


主函数中:

图神经网络GNN算法

上述描述只是一个总体的概述,可以略过先不看。

3.1 Forward

早期的GNN都是RecGNN,即循环GNN。这种类型的GNN基于信息传播机制: GNN通过不断交换邻域信息来更新节点状态,直到达到稳定均衡。节点的状态向量 x 由以下 f w ​函数来进行周期性更新:

图神经网络GNN算法

 

图神经网络GNN算法


解析上述公式:对于节点 n ,假设为节点1,更新其状态需要以下数据参与:

图神经网络GNN算法

这里的fw只是形式化的定义,不同的GNN有不同的定义,如随机稳态嵌入(SSE)中定义如下:

图神经网络GNN算法

由更新公式可知,当所有节点的状态都趋于稳定状态时,此时所有节点的状态向量都包含了其邻居节点和相连边的信息。

这与图嵌入有些类似:如果是节点嵌入,我们最终得到的是一个节点的向量表示,而这些向量是根据随机游走序列得到的,随机游走序列中又包括了节点的邻居信息, 因此节点的向量表示中包含了连接信息。

证明上述更新过程能够收敛需要用到不动点理论,这里简单描述下:

如果我们有以下更新公式:

图神经网络GNN算法

GNN的Foward描述如下:

图神经网络GNN算法


解释:

图神经网络GNN算法

3.2 Backward

在节点嵌入中,我们最终得到了每个节点的表征向量,此时我们就能利用这些向量来进行聚类、节点分类、链接预测等等。

GNN中类似,得到这些节点状态向量的最终形式不是我们的目的,我们的目的是利用这些节点状态向量来做一些实际的应用,比如节点标签预测。

因此,如果想要预测的话,我们就需要一个输出函数来对节点状态进行变换,得到我们要想要的东西:

图神经网络GNN算法


最容易想到的就是将节点状态向量经过一个前馈神经网络得到输出,也就是说 g w g_w gw​可以是一个FNN,同样的, f w f_w fw​也可以是一个FNN:

图神经网络GNN算法


我们利用 g w g_w gw​函数对节点 n n n收敛后的状态向量 x n x_n xn​以及其特征向量 l n l_n ln​进行变换,就能得到我们想要的输出,比如某一类别,某一具体的数值等等。

在BP算法中,我们有了输出后,就能算出损失,然后利用损失反向传播算出梯度,最后再利用梯度下降法对神经网络的参数进行更新。

对于某一节点的损失(比如回归)我们可以简单定义如下:

图神经网络GNN算法

图神经网络GNN算法


有了z(t)后,我们就能求导了:

图神经网络GNN算法

图神经网络GNN算法

z(t)的求解方法在Backward中有描述:

图神经网络GNN算法

图神经网络GNN算法

因此,在Backward中需要计算以下导数:

图神经网络GNN算法

4.总结与展望

本文所讲的GNN是最原始的GNN,此时的GNN存在着不少的问题,比如对不动点隐藏状态的更新比较低效。

由于CNN在CV领域的成功,许多重新定义图形数据卷积概念的方法被提了出来,图卷积神经网络ConvGNN也被提了出来,ConvGNN被分为两大类:频域方法(spectral-based method )和空间域方法(spatial-based method)。2009年,Micheli在继承了来自RecGNN的消息传递思想的同时,在架构上复合非递归层,首次解决了图的相互依赖问题。在过去的几年里还开发了许多替代GNN,包括GAE和STGNN。这些学习框架可以建立在RecGNN、ConvGNN或其他用于图形建模的神经架构上。

GNN是用于图数据的深度学习架构,它将端到端学习与归纳推理相结合,业界普遍认为其有望解决深度学习无法处理的因果推理、可解释性等一系列瓶颈问题,是未来3到5年的重点方向。

因此,不仅仅是GNN,图领域的相关研究都是比较有前景的,这方面的应用也十分广泛,比如推荐系统、计算机视觉、物理/化学(生命科学)、药物发现等等。

以上就是图神经网络GNN算法基本原理详解的详细内容!


Tags in this post...

Python 相关文章推荐
python实现复制整个目录的方法
May 12 Python
用Python写飞机大战游戏之pygame入门(4):获取鼠标的位置及运动
Nov 05 Python
python实现神经网络感知器算法
Dec 20 Python
python编辑用户登入界面的实现代码
Jul 16 Python
手把手教你如何安装Pycharm(详细图文教程)
Nov 28 Python
解决python给列表里添加字典时被最后一个覆盖的问题
Jan 21 Python
Python实现决策树并且使用Graphviz可视化的例子
Aug 09 Python
flask框架json数据的拿取和返回操作示例
Nov 28 Python
tensorflow 固定部分参数训练,只训练部分参数的实例
Jan 20 Python
解决python cv2.imread 读取中文路径的图片返回为None的问题
Jun 02 Python
keras 实现轻量级网络ShuffleNet教程
Jun 19 Python
Python用Jira库来操作Jira
Dec 28 Python
python神经网络ResNet50模型
May 06 #Python
python和anaconda的区别
May 06 #Python
python神经网络Xception模型
May 06 #Python
Python使用永中文档转换服务
May 06 #Python
Python tensorflow卷积神经Inception V3网络结构
May 06 #Python
Python实现Matplotlib,Seaborn动态数据图
May 06 #Python
PYTHON InceptionV3模型的复现详解
You might like
php数组添加与删除单元的常用函数实例分析
2015/02/16 PHP
CodeIgniter针对lighttpd服务器URL重写的方法
2015/06/10 PHP
Ajax和PHP正则表达式验证表单及验证码
2016/09/24 PHP
Netbeans 8.2与PHP相关的新特性介绍
2016/10/08 PHP
php实现文件管理与基础功能操作
2017/03/21 PHP
js中判断控件是否存在
2010/08/25 Javascript
基于jquery的多彩百分比 动态进度条 投票效果显示效果实现代码
2011/08/28 Javascript
JavaScript DOM进阶方法
2015/04/13 Javascript
举例讲解JavaScript substring()的使用方法
2015/11/09 Javascript
js+canvas简单绘制圆圈的方法
2016/01/28 Javascript
值得分享的轻量级Bootstrap Table表格插件
2016/05/30 Javascript
jQuery实现为LI列表前3行设置样式的方法【2种方法】
2016/09/04 Javascript
Vue.js实现一个todo-list的上移下移删除功能
2017/06/26 Javascript
javascript+css实现进度条效果
2020/03/25 Javascript
VSCode 配置uni-app的方法
2020/07/11 Javascript
JavaScript实现无限轮播效果
2020/11/19 Javascript
[36:33]完美世界DOTA2联赛PWL S2 LBZS vs Forest 第二场 11.29
2020/12/02 DOTA
一键搞定python连接mysql驱动有关问题(windows版本)
2016/04/23 Python
python实现Adapter模式实例代码
2018/02/09 Python
Python实现的将文件每一列写入列表功能示例【测试可用】
2018/03/19 Python
python列表list保留顺序去重的实例
2018/12/14 Python
python实现整数的二进制循环移位
2019/03/08 Python
Python装饰器限制函数运行时间超时则退出执行
2019/04/09 Python
python实现堆排序的实例讲解
2020/02/21 Python
HTML5+CSS3 实现灵动的动画 TAB 切换效果(DEMO)
2017/09/15 HTML / CSS
德国柯吉澳趣味家居:Koziol
2017/08/24 全球购物
红色连衣裙精品店:Red Dress Boutique
2018/08/11 全球购物
JSF界面控制层技术
2013/06/17 面试题
销售辞职报告范文
2014/01/12 职场文书
普罗米修斯教学反思
2014/02/06 职场文书
公司总经理岗位职责
2014/03/15 职场文书
2016年猴年新春致辞
2015/08/01 职场文书
企业管理制度设计时要注意的几种“常见病”!
2019/04/19 职场文书
2019求职信大礼包
2019/05/15 职场文书
Django模型层实现多表关系创建和多表操作
2021/07/21 Python
Linux安装Docker详细教程
2022/07/07 Servers