GNN 图神经网络

MY GCN 1 邻接矩阵 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Rz065t4x-1601123060479)(https://math.jianshu.com/math?formula=A)]是图的邻接矩阵 2 特征矩阵 设 A 是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是矩阵A的一个特征值（characteristic value)或本征值（eigenvalue)。 3 度矩阵 [外链图片转存失败,源站可能有防盗链机制,

一.基础内容。 1.邻接矩阵 邻接矩阵表示顶点间关系，是n阶方阵（n为顶点数量）。邻接矩阵分为有向图邻接矩阵和无向图邻接矩阵。无向图邻接矩阵是对称矩阵，而有向图的邻接矩阵不一定对称。 2.度矩阵 度矩阵是对角阵，对角上的元素为各个顶点的度。顶点vi的度表示和该顶点相关联的边的数量。无向图中顶点vi的度d(vi)=N(i)。 有向图中，顶点vi的度分为顶点vi的出度和入度，即从顶点vi出去的有向边的数量和进入顶点vi的有向边的数量。 3.特征矩阵 特征矩阵是设 A 是n阶方阵，如果存在数m和非零n维列向

GCN基础理论

GCN每一层的输入都是节点特征矩阵H和邻接矩阵A，直接将这两个做内积，再乘以一个参数矩阵W，用激活函数激活，就形成一个简单的层。

网上对图卷积神经网络（Graph Convolutional Networks）的介绍大都说的云里雾里，让人看了不甚明白，无意中找到了篇很好的文章，让我对图神经网络中f(X, A) = D⁻¹AX这个式子有一个很清楚的了解。本文主要参考这篇文章，强烈建议大家去读一下原文： https://towardsdatascience.com/how-to-do-deep-learning-on-graphs-with-graph-convolutional-networks-7d2250723780。 介绍 本文的

GNN的核心思想是通过迭代的方式聚合邻居节点的表示,从而更新当前节点的表示。每个节点的表示都是基于其自身特征和邻居节点的表示来更新的。总的来说,GNN能够很好地捕捉图结构数据中节点之间的依赖关系,并通过迭代聚合和更新节点表示来学习有效的节点表示,在各种与图相关的任务中表现出色。假设有一个无向图 G=(V, E),其中 V 是节点集合,E 是边集合。其中 N(v) 表示节点 v 的邻居集合,AGG^{(k)} 表示在第 k 层使用的聚合函数。表示该节点在第 k 层的隐藏表示,表示在第 k 层使用的更新函数。

1. 图论基础 下图是一个网络图，一共有6个节点。它的邻接矩阵为A，用于描述图的结构。 若两个节点之间有连边，那么邻接矩阵中该元素为1，否则为0。以第0个节点为例（A的第一行），0节点和1、4节点有连边，那么矩阵元素为1。 然而，如果每个节点有其自身的特征，那么邻接矩阵无法准确表达这个图。矩阵 H 代表节点的特征矩阵。矩阵中的每一行代表每个节点的特征向量。例如0节点的特征向量是 [1, 11]。 有了邻接矩阵和节点矩阵就能表述网络图了，将邻接矩阵和节点矩阵相乘，我们发现相乘结果矩阵没...

GCN中一个重要的矩阵是邻接矩阵，其中一个重要操作步骤是邻接矩阵标准化，这里介绍两种建立标准化邻接矩阵。 import torch import numpy as np impoer scipy.sparse as sp def normalize_adj(adj): adj = adj.to_dense().cpu().numpy() adj = sp.coo_mat...

在上述代码中比较难理解的就是构建对称的邻接矩阵那一句，因为在一般的图神经网络模型中，输入的图是无向图所以邻接矩阵是对称矩阵。特别是如果自己构建KNN图的话，对称矩阵这个地方一定要注意。上述代码的具体解释可以看参考文献，这里不多赘述。需要注意的是构建邻接矩阵是否只有这一种方法？其实不然，最简单的操作是矩阵A加上矩阵AT但是这种方法有一定局限性，如果矩阵是一个加权的并不是0,1矩阵，或者矩阵本身就存在对称的元素，直接相加就会存在问题。所以使用上述的代码会避免存在的问题。

GCN，图卷积，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类、图分类、边预测，还可以顺便得到图的嵌入表示（graph embedding），可见用途广泛。

目的：图卷积网络近两年大火，博主实习需要用到。接下来几个月就会在图卷积网络上做很多东西。这篇是刚开始对图卷积网络的学习，所以会广泛参考相关论文与网上的技术博客，总结归纳，希望提炼出有用的知识，加深对于图卷积网络的理解。重要内容链接会贴出方便大家学习，也很欢迎大家跟我探讨或者分享心得。对于复杂的公式与繁杂的推证，博主希望尽可能理解其意义，对于难以理解的或者暂时没有时间推证的可以先记下其结论，方便后续...

在本文中，我们将了解为什么图数据是必不可少的，以及如何用图形神经网络处理它们，我们将看到它们如何用于药物重新定位。 图的力量 图的独特功能可以捕获数据之间的结构关系，从而比孤立地分析数据可以获得更多的洞察力。 图是最通用的数据结构之一。 它们自然出现在许多应用领域，从社会分析、生物信息学到计算机视觉。 这里只是一些例子： 医疗诊断和电子健康记录建模 药物发现和合成化合物 社会影响预测 推荐系统 流量预测 欧几里得数据被建模为在 n 维线性空间中绘制。 例如，图像文件可以用 x、y、z 坐标表示。 非欧