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
用map函数来完成Python并行任务的简单示例
Apr 02 Python
深入理解NumPy简明教程---数组3(组合)
Dec 17 Python
微信跳一跳python代码实现
Jan 05 Python
Python 打印中文字符的三种方法
Aug 14 Python
利用ctypes获取numpy数组的指针方法
Feb 12 Python
python pandas时序处理相关功能详解
Jul 03 Python
解决Python计算矩阵乘向量,矩阵乘实数的一些小错误
Aug 26 Python
利用Python产生加密表和解密表的实现方法
Oct 15 Python
python系统指定文件的查找只输出目录下所有文件及文件夹
Jan 19 Python
pandas中的ExcelWriter和ExcelFile的实现方法
Apr 24 Python
实例讲解Python 迭代器与生成器
Jul 08 Python
Python学习之包与模块详解
Mar 19 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
哪吒敖丙传:新人物二哥敖乙出场 小敖丙奶气十足
2020/03/08 国漫
Sony CFR 320 修复改造
2020/03/14 无线电
Yii1.1框架实现PHP极光推送消息通知功能
2018/09/06 PHP
用jscript启动sqlserver
2007/06/21 Javascript
ExtJS扩展 垂直tabLayout实现代码
2009/06/21 Javascript
JavaScript 注册事件代码
2011/01/27 Javascript
IE8的JavaScript点击事件(onclick)不兼容的解决方法
2013/11/22 Javascript
jquery获取一个元素下面相同子元素的个数代码
2014/07/31 Javascript
jQuery中document与window以及load与ready 区别详解
2014/12/29 Javascript
Jquery异步提交表单代码分享
2015/03/26 Javascript
js实现用户离开页面前提示是否离开此页面的方法(包括浏览器按钮事件)
2015/07/18 Javascript
在React框架中实现一些AngularJS中ng指令的例子
2016/03/06 Javascript
AngularJS中的过滤器filter用法完全解析
2016/04/22 Javascript
jQuery图片左右滚动代码 有左右按钮实例
2016/06/20 Javascript
微信小程序 HTTPS报错整理常见问题及解决方案
2016/12/14 Javascript
在javaScript中检测数据类型的几种方式小结
2017/03/04 Javascript
vue.js学习之UI组件开发教程
2017/07/03 Javascript
用JS编写一个函数,返回数组中重复出现过的元素(实例)
2017/09/14 Javascript
小程序实现带年月选取效果的日历
2018/06/27 Javascript
浅谈vue父子组件怎么传值
2018/07/21 Javascript
vue获取data数据改变前后的值方法
2019/11/07 Javascript
微信小程序使用 vant Dialog组件的正确方式
2020/02/21 Javascript
JavaScript实现多文件下载方法解析
2020/08/07 Javascript
Vue如何循环提取对象数组中的值
2020/11/18 Vue.js
JS+JQuery实现无缝连接轮播图
2020/12/30 jQuery
python开发之tkinter实现图形随鼠标移动的方法
2015/11/11 Python
python3.5 email实现发送邮件功能
2018/05/22 Python
python redis 批量设置过期key过程解析
2019/11/26 Python
python实现门限回归方式
2020/02/29 Python
Python爬虫实现HTTP网络请求多种实现方式
2020/06/19 Python
澳大利亚手袋、珠宝和在线时尚精品店:The Way
2019/12/21 全球购物
餐饮业员工工作决心书
2014/03/11 职场文书
大一新生检讨书
2014/10/29 职场文书
2014年财政工作总结
2014/12/10 职场文书
2015年老干部工作总结
2015/04/23 职场文书
Win2008系统搭建DHCP服务器
2022/06/25 Servers