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批量修改文件后缀示例代码分享
Dec 24 Python
Golang与python线程详解及简单实例
Apr 27 Python
python 实现一个贴吧图片爬虫的示例
Oct 12 Python
python编程测试电脑开启最大线程数实例代码
Feb 09 Python
Windows下的Python 3.6.1的下载与安装图文详解(适合32位和64位)
Feb 21 Python
python 中if else 语句的作用及示例代码
Mar 05 Python
Python装饰器的执行过程实例分析
Jun 04 Python
Python使用Shelve保存对象方法总结
Jan 28 Python
pytorch标签转onehot形式实例
Jan 02 Python
pycharm 实现本地写代码,服务器运行的操作
Jun 08 Python
opencv读取视频并保存图像的方法
Jun 04 Python
Python实现批量自动整理文件
Mar 16 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中的output_buffering详细介绍
2014/09/27 PHP
PHPExcel简单读取excel文件示例
2016/05/26 PHP
PHPCMS2008广告模板SQL注入漏洞修复
2016/10/11 PHP
thinkphp分页集成实例
2017/07/24 PHP
基于JQUERY的两个ListBox子项互相调整的实现代码
2011/05/07 Javascript
将光标定位于输入框最右侧实现代码
2012/12/04 Javascript
jQuery图片轮播的具体实现
2013/09/11 Javascript
使用Js让Html中特殊字符不被转义
2013/11/05 Javascript
html的DOM中Event对象onabort事件用法实例
2015/01/21 Javascript
Jquery Ajax xmlhttp请求成功问题
2015/02/04 Javascript
JQuery中serialize() 序列化
2015/03/13 Javascript
nodejs简单实现中英文翻译
2015/05/04 NodeJs
JavaScript中数据结构与算法(二):队列
2015/06/19 Javascript
Javascript仿新浪游戏频道鼠标悬停显示子菜单效果
2015/08/21 Javascript
修改jquery中dialog的title属性方法(推荐)
2016/08/26 Javascript
折叠菜单及选择器的运用
2017/02/03 Javascript
利用yarn代替npm管理前端项目模块依赖的方法详解
2017/09/04 Javascript
canvas绘制爱心的几种方法总结(推荐)
2017/10/31 Javascript
JS实现简单的浮动碰撞效果示例
2017/12/28 Javascript
JavaScript中变量提升机制示例详解
2019/12/27 Javascript
基于Cesium绘制抛物弧线
2020/11/18 Javascript
[04:01]2014DOTA2国际邀请赛 TITAN告别Ohaiyo期望明年再战
2014/07/15 DOTA
[02:34]2016完美“圣”典风云人物:BurNIng专访
2016/12/10 DOTA
[01:08:43]DOTA2-DPC中国联赛定级赛 Phoenix vs DLG BO3第一场 1月9日
2021/03/11 DOTA
python解析发往本机的数据包示例 (解析数据包)
2014/01/16 Python
python 远程统计文件代码分享
2015/05/14 Python
Python读取word文本操作详解
2018/01/22 Python
Python编程scoketServer实现多线程同步实例代码
2018/01/29 Python
20行python代码实现人脸识别
2019/05/05 Python
html5利用canvas绘画二级树形结构图的示例
2017/09/27 HTML / CSS
英国知名的护肤彩妆与时尚配饰大型综合零售电商:Unineed
2016/11/21 全球购物
澳大利亚UGG工厂直销:Australian Ugg Boots
2017/10/14 全球购物
学生评语大全
2014/04/18 职场文书
个人批评与自我批评范文
2014/10/17 职场文书
乡镇群众路线整改落实情况汇报
2014/10/28 职场文书
详解CSS中postion和opacity及cursor的特性
2022/08/14 HTML / CSS