Application of Graph ML

1. 图机器学习任务分为四类
   
   1. 节点级别 node level
   2. 边级别 edge level
   3. 社区 / 子图级别 community(subgraph) level
   4. 图级别，包括预测任务graph-level prediction和 图生成任务graph generation
2. 各类型的典型任务
   1. 节点分类Node classification: 预测节点属性Predict a property of a node
      Example: 对在线用户或项目分类Categorize online users / items
   2. 连接预测Link prediction: Predict whether there are missing links between two nodes
      Example: Knowledge graph completion
   3. 图分类Graph classification: Categorize different graphs
      Example: Molecule property prediction
   4. 聚类Clustering: Detect if nodes form a community
      Example: Social circle detection
   5. Other tasks:
      Graph generation: Drug discovery
      Graph evolution: Physical simulation
3. example of node-level ML tasks:解决蛋白质折叠问题——AlphaFold ^1
   蛋白质由一系列氨基酸（氨基酸链chains of amino acids或amino acid residues）构成，氨基酸之间的交互使其形成不同的折叠方式，组成三维蛋白质结构（组合方式很复杂，但交互之后形成的结构是唯一的，所以理论上可预测）。
   学习任务就是输入一系列氨基酸，预测蛋白质的3D结构。
   AlphaFold将一个被折叠的蛋白质视作图空间spatial graph，residue视作节点，在相近的residue之间建立边，形成图结构，搭建深度学习模型，预测节点在空间中的位置（也就是蛋白质的三维结构）。
4. example of link-level ML tasks:
   1. 推荐系统(向用户推荐商品)
      点：用户和项目
      边：用户和项目之间的互动，如看电影、买商品等
      目标：向用户推荐他可能喜欢的东西
      方法：创建双向网络bipartite network，同时考虑图和图结构
   2. 预测多种药物相互作用产生的副作用
      点：药物和蛋白质
      边：各个点之间的相互作用
      目标：在已知一些药物之间存在副作用的情况下，预测未知药物间的副作用
      方法：两级异构网络
      
5. example of subgraph-level ML Tasks子图级机器学习：流量预测traffic prediction
   点：路段road segements
   边：路段之间的连接connectivity between roads segements
   目标：预测从A到B需要的时间
   方法：图神经网络
   
6. examples of graph-level ML Tasks
   1. drug discovery:antibiotics are small molecular graphs抗生素是小分子图
      点：原子atoms
      边：化学键chemcial bonds
      目标：对分子进行分类并预测出最有可能是抗生素的分子
   2. Graph Generation —— Molecule Generation / Optimization
      
   3. Graph Evolution —— Physics Simulation（粒子间的相互作用）
      迭代iterate：根据邻近度proximities确定粒子间的相互作用interactions between the particles，生成接近图proximity graph应用神经网络，通过其属性如位置、速度等预测粒子下一步的位置和速度，不断进行迭代生成新的接近图预测新的位置和速度