标签:学习 嵌入 级任务 旨在 第零 神经网络 前沿 节点
图的基本概念
中心度:用来衡量图中
节点的重要性。中心度的基本假设是:如果其他重要的节点也连接到该节点,则认为该节点是重要的。常见的中心度度量包括度数中心度、特征向量中心度、间隔性中心度和接近性中心度。
邻域:一个节点的邻域一般是指与该节点相近的其他节点的集合(距离为1)。一个节点的k阶邻域内的所有节点与该节点之间的最短路径距离都不大于k。
社群:指一组
内部连接紧密但
外部连接却不太密集的节点。即这一组节点内部的边很多,但是和其他点的边很少。
图抽样:图抽样是一种从源图中挑选
节点和边的子集的技术。
图抽样可用于在大规模图上训练机器学习模型,同时防止发生严重的可扩展性问题(感觉意思是抽一部分,既不影响速度,又比较全,扩展性不会太差?)。
异质图:如果一个图的
点或者边的类型不同,则称这个图为异质图。异质图的典型代表是
知识图谱,知识图谱中的边可以是不同的类型。
超图:超图是对图的扩展,
超图中的一条边可以连接任意数量的节点。
随机图:随机图通常旨在对所观察
图生成的图的概率分布进行建模。最基本、研究最透彻的随机模型名为Erdos-Renyi,该模型假定
节点集合是固定的,此外
每条边都相同并且是独立生成的。
动态图:当一个图的数据
至少有一个组成部分随时间发生变化,包括增删节点、增删边、改变边的权重或节点的属性。
图机器学习
谱图论:谱图论旨在分析
与图有关的矩阵,如邻接矩阵或拉普拉斯矩阵,使用的是
线性代数工具,如研究矩阵的特征值和特征向量。
图信号处理:图信号处理旨在开发工具以处理定义在图上的信号。
图信号是数据样本的有限集合,图中的
每个节点都有一个样本。
节点级任务:指与图中
单个节点相关的机器学习任务。节点级任务的典型代表是
节点分类和节点回归。
边级任务:边级任务是指与图中
一对节点相关的机器学习任务。边级任务的典型代表是
链接预测。
图级任务:图级任务是指与
整个图相关的机器学习任务。图级任务的典型代表是
图分类和图属性预测。
直推式学习:直推式学习是指在训练期间
观察目标实例,如节点或边(尽管目标实例的标签仍是未知的)。
归纳式学习:归纳式学习旨在学习
可泛化到未观察到的实例的模型。
图神经网络
网络嵌入:网络嵌入旨在将图中的
每个节点表征为一个低维向量,以便在嵌入向量中保留有用的信息,比如
图结构和图中的一些属性。
网络嵌入又称为图嵌入和节点表征学习。
图神经网络:能在图数据上工作的任何神经网络。
消息传递:消息传递是
图神经网络的框架之一,其中的关键步骤是
根据每个神经网络层的图结构在不同节点之间传递信息。采用最为广泛的表述为
消息传递神经网络,也就是
仅在直接连接的节点之间传递信息,
消息传递函数也称为图滤波器或图卷积。
读出:是指
对各个节点的信息进行总结,以形成
更高层次的信息,如
形成子图/超图或获得整个图的表征。读出也称为
池化或图粗粒化。
图对抗攻击:图对抗攻击旨在
通过操纵图结构或节点表征以产生最坏情况下的扰动,从而
使得一些模型的性能下降。图对抗攻击可以根据
攻击者的目标、能力及其所能够获得的知识进行分类。
鲁棒性验证:鲁棒性验证旨在提供形式化的保证,使得
即使根据某个扰动模型进行扰动,GNN的预测也不受影响。
图符号
A
|
邻接矩阵
|
L
|
拉普拉斯矩阵
|
D
|
对角矩阵
|
≌
|
两图同构
|
+
|
两图的并查集
|
×
|
两图的笛卡尔积
|
V
|
两图的连接
|
基本操作
标签:学习,
嵌入,
级任务,
旨在,
第零,
神经网络,
前沿,
节点
From: https://www.cnblogs.com/fansoflight/p/17297876.html