https://yq.aliyun.com/articles/712465?type=2
最も基本的な概念についての講演：
1.B.共通ユークリッド構造化データ
ユークリッド空間にデータを変換し、結果のデータは、ユークリッド構造化データと呼ばれています。
ユークリッド共通のデータ構造は、主に含まれています：
1D：音、時系列など;
2D：画像、
3D：ビデオ、ハイパースペクトル画像を、
2.a.節非ユークリッド空間
すべての科学的研究データは、ユークリッド空間に変換することができません（例：ソーシャルネットワーク、情報ネットワークなど）のユークリッド構造化データにすることはできません、我々は非ユークリッド呼ばれますリードは、データを構造化。
2.B.珍しいユークリッド構造化データ
1D：ソーシャルネットワーク（例：フェイスブック、ツイッターなど）など;
2D：生物学的ネットワーク（遺伝子、分子、脳接続）など;
3D：インフラストラクチャネットワーク（例：エネルギー、輸送、インターネット、通信など）などが挙げられます。
図3.A.を導入した（グラフ）の
非ユークリッド構造化データのための問題ことを、研究者は、非ユークリッド構造化データを表現するために抽象的な意味でグラフ理論図（グラフ）を導入しました。
マップ上4.学習課題
図基本的な用語を導入した後、我々は、図データ、機械学習タスク我々缶の構造を見ている
1、図ノード分類タスク図各ノード有し、我々が知られているように、特徴対応するノード。カテゴリ、あなたは、未知のノードの分類タスクの分類を設計することができます。私たちは、ご紹介しようとしているGCN、GraphSAGE、GATモデルは、グラフ上のノードに分類されています。
2、図エッジ構造予測タスク：グラフのノードおよびノード間の相互関係は、入力データに収集することができるかもしれない、と我々は掘る必要があるいくつかの隠されたエッジ、そのようなタスクは、予測タスクの側にある、すなわち、ノードとノード間の関係を予測します。
図3に示すように、分類マップは：全体のグラフのため、我々は、図は、図がまだ同型分類に分類することができ、基本的な考え方は、図の特徴が一緒に集まるようにグラフのノード、次いで分類します。
例データアプリケーション5.図。
商品やユーザーの3つの主要なノードの販売が含まれている電力会社の簡単な図について、商品の商品カテゴリノード、ノードの登録および登録IPノードアドレスに関連付けられたユーザノードに関連するノード。ノードは、単一ノードの下にユーザー・トランザクションに関連付けされ、ノードの対応するIPアドレスは、図2に示すような構成に対応し、収穫しながらときに購入時のユーザ、ユーザノードとノードは、商品取引のノードに関連付けられます。
機能と地図データノードとの間の関係から、我々は不正防止の操作や製品の推奨を行うことができます。
1、ノード種別-詐欺：図ため各ノードは、独自の特性情報を有しています。ユーザーのIPアドレスと領収書のトランザクションがノードのユーザー登録に関連付けられているし、登録されたIPアドレスが一致しない場合、システムはそれが可能な詐欺ユーザーの危険性があることを確認する場合は、この機能情報で、我々は、風力発電制御システムを構築することができます。
図2に示すように、エッジ構造予測-推奨製品：図の各ノードは、構成情報を有しています。あなたが頻繁にいくつかのカテゴリーでより高いスコアのために特定の商品のカテゴリや商品を購入した場合、システムは、より興味を持った商品の利用者を識別することができますので、我々は、ユーザーに商品のカテゴリのより多くのをお勧めすることができます。
すべてのすべてでは、地図データ豊富なアプリケーションの値は、地図データのうち、研究に参加するより多くの研究者を奨励するために、地図データは、データ分析のために、我々は考慮に情報ノードおよび構造情報の特性を取る必要があります。ルールを手で抽出された場合、それは微妙で複雑なパターンの多くを失うことになる、特徴情報と構造情報をマッピングすることを学んだと同じ時間を自動化する方法はありますか？地図ニューラルネットワーク（グラフニューラルネットワーク） -これは、近年のホット方向、機械学習の台頭です。次に、我々は記事それらのシリーズをご紹介します。
GNNシリーズ：GraphSAGE
[はじめに] GCNのブログでは、我々は、しかし、伝播方程式が導出されたニューラルネットワークレイヤをマップする方法に焦点を当てたGCNのトレーニング方法は、大規模なマップでは、メモリやメモリ機能マトリックスと隣接行列で一緒に貼り付ける必要がありますデータは好ましくない。第二に、訓練中GCNが、これは今日のグラフモデルのトレーニングを使用して、このような将来の予測データとして現実特定のタスク（で達成することができない、（予測されるノードを含む）全体マップ情報の構造を知っておく必要があり、その後、明日は、ノードを取ることです以下）より。GraphSAGEは、この記事では、我々は詳細にそれを説明します、この問題を解決するために表示されます。
トランスダクティブ学習対帰納学習
まず、我々は帰納学習が何であるかを説明しています。トレーニングのノードが側で設定された場合は、他のタイプのデータ、地図データとは異なり、各ノードは、このような問題を作成し、関係側を通って他のノードに関連した情報を使用することができます予測セットまたはノードの検証セットには、トレーニング時間がかなり訓練（又は中のサンプルの情報または検証セットのテストセットで使用した場合？その情報を使用することができ、場合トレーニングテストおよび検証セットが表示されA）私たちは意図的訓練/検証/テストにサンプルを設定しているため、明らかに、我々が扱っているほとんどの機械学習の問題は帰納学習している。帰納的学習と呼ばれ、逆に、トランスダクティブ学習と呼ばれる学習のこの方法を呼び出しますトレーニング時間は、サンプルのみを訓練します。しかし、GCNで、トレーニング隣接ノードが情報を収集する際に、テストや検証サンプルを使用するので、トランスダクティブです。
アウトライン
GraphSAGEは、特定の実装においては、学習サンプルのトレーニングエッジにのみトレーニングサンプルのままで、誘導フレームワーク。利点は、誘導学習ができることである情報既知のノードを使用して、未知のノードが埋め込みを発生する。GraphSAGEグラフサンプルと集計から、試料は、隣接の数をサンプリングする方法を指します。集合体は、これら埋め込む隣人を更新するために、収束埋め込んだ後に取得する方法についての彼らの埋め込み情報を参照します。次の図は、学習プロセスのGraphSAGEを示しています。
1.隣接サンプリング
隣人を埋め込んだ後2.サンプリングをノードに、重合機能情報を用いて重合を埋め込む隣接ノードを更新します
更新予測を埋め込むノードラベル
アルゴリズムの詳細
発生ノード（すなわち：1.埋め込みフォワード伝搬）アルゴリズム
次のアルゴリズムは、我々が普及する前に行う方法について説明します。
2.サンプリング（サンプル）アルゴリズム
3.アグリゲータ（アグリゲータで）アーキテクチャ
4.パラメータ学習
言葉の後
そのグラフモデルにトレーニングGCNメモリとメモリの制限は、データの構造の大規模なビューに適用することができる場合に克服するサンプリング機構を使用してGraphSAGEは、ほとんどのモデルのすべての産業地図の原型です。しかし、非常に多くの隣人、サンプリングは、アカウントに隣人の相対的な重要性を取ることができ、各ノードが行う、または私達はグラフAttentioinネットワークにおける我々の次のブログ記事では？口座にこの質問を隣人の集計計算相対的な重要性を取ることができます詳細な議論。