Utilice gráficos para representar relaciones complejas y dependencias entre objetos. Sin embargo, la complejidad de los datos de los gráficos es difícil de manejar con los algoritmos de aprendizaje automático existentes, por lo que se utilizan métodos de aprendizaje profundo para manejarla. Un artículo de Encuesta completa sobre redes neuronales gráficas revisa el desarrollo de la red neuronal gráfica (GNN) en el campo de la minería de texto y el aprendizaje automático, y divide GNN en cuatro categorías: red neuronal gráfica recurrente, red neuronal gráfica convolución, codificación automática de gráficas y red neuronal gráfica espacio-temporal . Además, analiza la aplicación de la red neuronal gráfica en varios campos, resume el código fuente abierto, el conjunto de datos y los indicadores de evaluación de la red neuronal gráfica. Finalmente, se dan posibles direcciones de investigación.
El autor mencionó que los datos calculados en base a la distancia euclidiana pueden capturar patrones ocultos. Sin embargo, a medida que aumenta el número de aplicaciones, se utilizan gráficos para representar datos. Por ejemplo, se puede utilizar la interacción entre usuarios y productos para mejorar la precisión de las recomendaciones; Las moléculas se integran en gráficos y las actividades biológicas se identifican en el descubrimiento de fármacos; en la red de introducción, los vínculos entre los artículos se establecen mediante relaciones de citas y se dividen en diferentes categorías. Sin embargo, el gráfico es diferente de la imagen, los nodos están desordenados, el tamaño es diferente y el número de nodos vecinos cambia, lo que aumenta la dificultad de cálculo del gráfico. Además, el algoritmo ML se basa en el supuesto de independencia de la muestra, lo que contradice el mecanismo de construcción del gráfico.
♕Historia del desarrollo
1. Redes neuronales de grafos recursivos (RecGNN) Desde 1997, la representación del nodo objetivo se ha aprendido de manera iterativa y pasando información del nodo vecino hasta un punto estable. Dichos métodos tienen una alta complejidad computacional y algunos investigadores han estudiado cómo reducir la complejidad. Por ejemplo, "Redes neuronales de secuencia de gráficos cerradas, ICLR2015", "Aprendizaje de estados estables de algoritmos iterativos sobre gráficos, ICML2018".
2. Las redes neuronales de grafos convolucionales (ConvGNN) se dividen en métodos basados en el espectro (principios de 2013) y métodos basados en el espacio (principios de 2009).
3. Autocodificación de imagen (GAE)
4. Redes neuronales de grafos espacio-temporales (STGNN)
♕Incrustación de imágenes frente a incorporación de red
La principal diferencia: GNN es un conjunto de modelos de redes neuronales para manejar diferentes tareas, y la integración de red cubre varios métodos para la misma tarea. Los GNN pueden lidiar con el problema de la incrustación en la red a través del marco del autocodificador de gráficos.
incrustación de gráficos: procese las tareas de relación de gráficos de un extremo a otro y extraiga representaciones de alto nivel
incrustación de red: los vectores de baja dimensión representan los nodos de la red mientras mantienen la topología de la red y la información del contenido del nodo. Por lo tanto, cualquier tarea de análisis de gráficos posterior, como clasificación, agrupamiento y recomendación, se puede realizar fácilmente utilizando algoritmos de aprendizaje automático simples y listos para usar. La integración de la red también incluye métodos de aprendizaje no profundo, como la factorización matricial y la caminata aleatoria.
♕ Red neuronal gráfica frente al método del kernel gráfico
Núcleo de gráficos: es la principal tecnología para resolver el problema de clasificación de gráficos. Utilice la función de kernel para medir la similitud entre pares de gráficos, como svm. Mapee el gráfico y los nodos al espacio vectorial mediante la función de mapeo. Usando dos pares de cálculos de similitud, alta complejidad computacional
Red neuronal de gráficos: realice la clasificación de gráficos directamente en función de la representación del gráfico extraído, que es más eficaz que el método del kernel de gráficos. Mapee el gráfico y los nodos al espacio vectorial mediante la función de mapeo.