graph-nerual-network

GCN

Graph Convolutional Network

Transductive / Inductive Task

transductive 转导任务:训练阶段与测试阶段都基于同样的图结构,如 pubmed cora 数据集。

常见算法:LabelPropagation SemiEmb ManiReg DeepWalk

Inductive 归纳任务:训练阶段与测试阶段都基于不同的图结构,可对未知测试点进行预测,如 protein-protein interaction 数据集

常见算法:GAT,GraphSAGE-GCN/LSTM/mean,

Spatial Domain

基于空域卷积的方法直接将卷积操作定义在每个结点的连接关系上,它跟传统的卷积神经网络中的卷积更相似一些。在这个类别中比较有代表性的方法有 MPNN GraphSage MoNet

Spectral Domain

这就是谱域图卷积网络的理论基础了。这种思路就是希望借助图谱的理论来实现拓扑图上的卷积操作。从整个研究的时间进程来看:首先研究 GSP(graph signal processing)的学者定义了 graph 上的 Fourier Transformation,进而定义了 graph 上的 convolution,最后与深度学习结合提出了 Graph Convolutional Network。

GCN

谱域,inductive 任务,拉普拉斯矩阵

GraphSAGE

空域,inductive 任务

GAT

空域,inductive / transductive 任务

GAT 注意力系数,有向

https://zhuanlan.zhihu.com/p/81350196

https://www.youtube.com/watch?v=6hbWpbi0Z24

本文有帮助?