标签：Figure 卷积 attention 网络 换个 角度 搜索 节点
摘要：本文带大家从另一个角度来理解和认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。
基础概念
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，图中的节点可以聚合自己的特征与邻居节点的特征，从而生成该节点的新特征表示。
Figure 1. 图的一般推理过程[1]
图神经网络 Vs. 卷积神经网络
如图2所示，卷积神经网络的输入数据一般是规则的矩阵类型数据，例如图片。每个节点和其它节点的空间关系是固定的。而图神经网络的输入数据一般表现为不规则的拓扑结构，节点与节点的关系非常复杂，节点间的空间关系一般不做约束，节点间是否存在连接以及连接的数量不做约束。复杂的网络还涉及到连接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，图的工作过程可以类比CV中的经典问题：semantic segmentation。
Figure 3. semantic segmentation[2]
图的基础组件及其实现
图在工作过程中，主要需要处理的问题有两个，一个是节点信息的提炼方式；另一个是邻近节点的搜索方式。整理如下：
邻近节点的搜索方式:
- 每个节点考虑全部其它节点
- 基于欧氏距离，只搜索近邻N个节点
节点信息的提炼方式:
- MLP+Max Pooling直接进行特征融合
- 基于attention，对周边节点进行加权平均
- 普通attention
- Self-attention (Bert/Transformer)
其中，邻近节点的搜索方式有两种，基于Bert作为图卷积网络的方案，一般是全部节点统一输入，每个节点在进行self-attention时，统一考虑其它节点，因此，可以视为全局搜索，典型的样例是LayoutLM。而基于某种距离度量搜索邻近的节点的方式， 一般来说更加注重局部信息。可以依据特定任务进行一些定制化的距离设计。缺点是过于注重局部信息，不能让图网络充分发挥能力。
另一方面是节点信息的提炼方式，简单的方法就是直接对相邻节点做1\times11×1卷积，再进行max pooling。目前更流行的方法是基于attention，普通attention，如图4所示，输入特征一般由中心节点特征t_iti和相邻节点t_jtj，以及彼此的距离等信息拼接而成，考虑周围32个节点，则生成32个特征，并在此基础上计算权重向量\alpha_iαi，得到这32个特征向量的权重，再进行加权和，得到节点ii的新特征表达t'_iti′。基于self-attention的方法工作机制类似。
Figure 4. 图节点信息的提炼过程
总结
最后，图卷积和卷积之间的一些对比整理在图5中。我们可以观察到一些有趣的现象，其实在卷积网络中，也有邻近节点搜索方式的一些工作，例如空洞卷积和可变形卷积。
Figure 5. 图网络和卷积网络工作方式比较
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.
标签：Figure,卷积,attention,网络,换个,角度,搜索,节点 来源： https://www.cnblogs.com/0591jb/p/15037818.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。