Press "Enter" to skip to content

基于图卷积网络的图深度学习

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

先简单回顾一下,深度学习到底干成功了哪些事情!

 

 

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。

 

 

 

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什幺,设计者什幺也不知道,自然也不会人为的去干涉。

 

 

 

如果数据不能网格化,那幺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(着名的六度理论),万维网,知识图,等等这些都是图结构,不是网格结构,对于这些我们该怎幺解决。

 

 

 

下面是一个简单的解决图结构数据的方法。

 

 

这个方法到底会出现什幺样的问题呢?为了解决问题,我们需要什幺呢?

 

 

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。

 

 

接下来,我们了解一下GCN模型架构!

 

 

GCN模型架构到底能干什幺呢?先举个小栗子。

 

 

GCN模型与大名鼎鼎魏勒雷曼算法的关系到底是什幺样的呢?

 

 

 

图的半监督分类也是一种不错的方法。

 

 

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。

 

 

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。

 

 

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。

 

 

下面2-layerGCN模型的实验结果

 

 

 

还要一些这个方法最近应用到其他程序的案例。

 

 

用这个方法关于图auto-encoders链接的预测。下面是auto-encoders的介绍

 

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注