赞
踩
图的基本组成:点、边、图
核心:整合特征,去整合点、边、图的特征,最终进行回归或分类预测。
图的邻接矩阵:描述了每个点的邻居有哪些,有无关系用0、1表示,邻接矩阵是对称的。
实际情况下不是N*N的,大多数是2*N(source,target)
GNN主要任务:
why-图像和文本任务不用GNN?-因为图像和文本的数据格式都是固定的,传统的神经网络输入格式必须是固定的。
图神经网络:针对格式不固定的内容进行处理,比如分子结构、人际关系等。
图级别:基于图进行预测
点和边级别:
特征整合:
点特征的更新,不仅需要考虑自己,还需要考虑邻居
多次GNN的作用:
- GNN的本质是更新各部分的特征
- 输入是特征,输出是特征,邻接矩阵不改变
输出特征的作用:
- 各点的特征组合,可以对图进行分类
- 各边的特征组合,可以对图进行分类
- 各节点也可以分类
图卷积和卷积的差异:
- 用在GNN当中
- 输入给GCN的东西:每个点的特征、邻接矩阵
- GCN是半监督学习,不需要全部标签
图卷积的基本思想:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。