编辑推荐: |
本文主要介绍了基于图卷积网络的图深度学习及实现应用有哪些,希望对您有帮助。
本文来自于博客园,由火龙果软件Linda编辑、推荐。 |
|
先简单回顾一下,深度学习到底干成功了哪些事情! ![](images/202011092.png)
深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功。ImageNet:是一个计算机视觉系统识别项目,
是目前世界上图像识别最大的数据库,并且被业界熟知。
我们先回顾一下,没有大数据支撑的欧式深度学习技术。对于一个字母“Z”的识别,我们通常是建立一个2D网格(点阵),如果将其中的点连接起来,定义这样的连接方式所形成的就是“Z”。然后是用其他字母来测试,这个模型的正确性。
![](images/202011093.png)
![](images/202011094.png)
传统深度学习的方法,实际上就是一种手工设计特征的过程。而且,在准确率上没有保障。而真正的深度学习,端到端的学习,其中的过程到底发生了什么,设计者什么也不知道,自然也不会人为的去干涉。
![](images/202011096.png)
如果数据不能网格化,那么CNNs就失去了作用。所以,CNNs在一定程度上还是有很多缺陷的。例如图结构数据,如何处理?在现实世界中这样的例子很多很多:社交网络(著名的六度理论),万维网,知识图,等等这些都是图结构,不是网格结构,对于这些我们该怎么解决。
![](images/202011098.png)
下面是一个简单的解决图结构数据的方法。 ![](images/202011099.png)
这个方法到底会出现什么样的问题呢?为了解决问题,我们需要什么呢? ![](images/2020110910.png)
先简单介绍一下第一阶消息传递的GCNs,这个理论在2009年就已经被提出来了。 ![](images/2020110911.png)
接下来,我们了解一下GCN模型架构! ![](images/2020110912.png)
GCN模型架构到底能干什么呢?先举个小栗子。 ![](images/2020110913.png)
GCN模型与大名鼎鼎魏勒雷曼算法的关系到底是什么样的呢? ![](images/2020110914.png)
图的半监督分类也是一种不错的方法。 ![](images/2020110916.png)
半监督分类嵌入方法——两步管道,这个方法也有一些问题,但我想这是可以解决的。 ![](images/2020110917.png)
举个小栗子,视频链接是一个关于半监督学习的小例子,有兴趣的朋友可以去看一下。 ![](images/2020110918.png)
视频:
http://tkipf.github.io/graph-convolutional-networks/
此外,还有关于引文网络的分类,也可以 通过这个方法实现。 ![](images/2020110919.png)
下面2-layerGCN模型的实验结果 ![](images/2020110920.png)
![](images/2020110921.png)
还要一些这个方法最近应用到其他程序的案例。 ![](images/2020110922.png)
用这个方法关于图auto-encoders链接的预测。下面是auto-encoders的介绍 ![](images/2020110923.png)
|