共计 1517 个字符，预计需要花费 4 分钟才能阅读完成。
摘要： 本文带大家从另一个角度来了解和意识图卷积网络的概念。
本文分享自华为云社区《技术综述十二：图网络的基本概念》，原文作者：一笑倾城。
根底概念
笔者认为，图的核心思想是学习一个函数映射 f(.)f(.)，借助该映射，图中的节点能够聚合本人的特色与街坊节点的特色，从而生成该节点的新特色示意。
Figure 1. 图的个别推理过程 [1]
图神经网络 Vs. 卷积神经网络
如图 2 所示，卷积神经网络的输出数据个别是规定的矩阵类型数据，例如图片。每个节点和其它节点的空间关系是固定的。而图神经网络的输出数据个别体现为不规则的拓扑构造，节点与节点的关系非常复杂，节点间的空间关系个别不做束缚，节点间是否存在连贯以及连贯的数量不做束缚。简单的网络还波及到连贯的方向和子图等概念。
Figure 2. 图网络和卷积网络 [1]
如图 3 所示，如果将图的每个节点等价视为图像中的每个像素，其实，图的工作过程能够类比 CV 中的经典问题：semantic segmentation。
Figure 3. semantic segmentation[2]
图的根底组件及其实现
图在工作过程中，次要须要解决的问题有两个，一个是节点信息的提炼形式；另一个是邻近节点的搜寻形式。整顿如下：
邻近节点的搜寻形式:
- 每个节点思考全副其它节点
- 基于欧氏间隔，只搜寻近邻 N 个节点
节点信息的提炼形式:
- MLP+Max Pooling 间接进行特色交融
基于 attention，对周边节点进行加权均匀
- 一般 attention
- Self-attention (Bert/Transformer)
其中，邻近节点的搜寻形式有两种，基于 Bert 作为图卷积网络的计划，个别是全副节点对立输出，每个节点在进行 self-attention 时，对立思考其它节点，因而，能够视为全局搜寻，典型的样例是 LayoutLM。而基于某种间隔度量搜寻邻近的节点的形式，一般来说更加重视部分信息。能够根据特定工作进行一些定制化的间隔设计。毛病是过于重视部分信息，不能让图网络充分发挥能力。
另一方面是节点信息的提炼形式，简略的办法就是间接对相邻节点做 1\times11×1 卷积，再进行 max pooling。目前更风行的办法是基于 attention，一般 attention，如图 4 所示，输出特色个别由核心节点特色 t_iti和相邻节点 t_jtj，以及彼此的间隔等信息拼接而成，思考四周 32 个节点，则生成 32 个特色，并在此基础上计算权重向量 \alpha_iαi，失去这 32 个特征向量的权重，再进行加权和，失去节点 ii 的新特色表白 t ’_iti′。基于 self-attention 的办法工作机制相似。
Figure 4. 图节点信息的提炼过程
总结
最初，图卷积和卷积之间的一些比照整顿在图 5 中。咱们能够察看到一些乏味的景象，其实在卷积网络中，也有邻近节点搜寻形式的一些工作，例如空洞卷积和可变形卷积。
Figure 5. 图网络和卷积网络工作形式比拟
参考文献：
[1] Wu, Zonghan, et al.“A comprehensive survey on graph neural networks.”IEEE transactions on neural networks and learning systems (2020).
[2] Long, Jonathan, Evan Shelhamer, and Trevor Darrell.“Fully convolutional networks for semantic segmentation.”Proceedings of the IEEE conference on computer vision and pattern recognition. 2015.
点击关注，第一工夫理解华为云陈腐技术~
