【论文知识点笔记】GNN流程到GCN流程

小灰灰 2023-01-01 14:50 215阅读 0赞

### 聚合、更新、循环 ###

*  举例：输入一个简单的图结构
 *   *  GNN
     *   *  聚合操作
         *  更新操作
         *  循环操作（多层更新操作）
         *  目的
     *  GCN
     *   *  修改的聚合部分
         *   *  平均法
             *  平均法存在的问题
             *  GCN提出的方法

> [简单粗暴快速理解GNN][GNN]  
> [Graph-Unets][]  
> [GCN中的拉普拉斯矩阵如何归一化？][GCN]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70]

# 举例：输入一个简单的图结构 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70_pic_center]

## GNN ##

### 聚合操作 ###

经过一次聚合后：聚合到的信息：  
 邻 居 信 息 N = a ∗ ( 2 , 2 , 2 , 2 , 2 ) + b ∗ ( 3 , 3 , 3 , 3 , 3 ) + c ∗ ( 4 , 4 , 4 , 4 , 4 ) 邻居信息N = a\*(2,2,2,2,2)+b\*(3,3,3,3,3)+c\*(4,4,4,4,4) 邻居信息N=a∗(2,2,2,2,2)\+b∗(3,3,3,3,3)\+c∗(4,4,4,4,4)

*   a 、 b 、 c a、b、c a、b、c ：自行设置或进行训练学习。  
    简单的说：就是将其他相邻节点的信息聚合，作为当前节点信息的一个补足。

### 更新操作 ###

A的信息  = σ ( W ( ( 1 , 1 , 1 , 1 , 1 ) + α ∗   N ) ) \\text \{ A的信息 \}=\\sigma\\left(\\mathrm\{W\}\\left((1,1,1,1,1)+\\alpha^\{\*\} \\mathrm\{~N\}\\right)\\right)  A的信息 =σ(W((1,1,1,1,1)\+α∗ N))  
简单地说：将得到的邻居节点信息乘以系数加到当前节点，再乘以学习的权重和激活函数，从而获得聚合后的A的信息（一层GNN后的A的最终信息）。

*   α \\alpha α ：自行设置或attention机制选出或进行训练学习。
 *   W W W ：模型需要训练的权值参数。
 *   σ \\sigma σ ：激活函数。

### 循环操作（多层更新操作） ###

【n层的GNN可以得到n层的邻居信息】  
经过一次聚合后:

*  A中有B,C,D的信息
 *  B中有A,C的信息
 *  C中有A,B,D,E的信息
 *  D中有A,C的信息
 *  E中有C的信息

那么第二次聚合之后以此类推

*  以A结点为例，此时A聚合C的时候，C中有上一层聚合到的E的信息，所以这时A获得了二阶邻居E的特征。

### 目的 ###

通过聚合更新，到最后，我们能够得到每个结点的表达，也就是特征feature,此时:

*  结点分类就可以直接拿去分类，算loss, 优化前面提到的W
 *  关联预测就最简单的方法两个节点的特征一拼,拿去做分类，一样的算loss, 优化。
 *  归根到底，**GNN就是个提取特征的方法**! ! ! ! !  
    黑盒子表示：  
    输入的是节点特征与图的结构  
    输出的是包含结构与特征的节点的最终特征  
    用最终特征去进行分类、预测、回归等操作。

## GCN ##

### 修改的聚合部分 ###

修改了GNN的聚合部分，提出解决 a 、 b 、 c a、b、c a、b、c值的设定问题。

#### 平均法 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 1]  
首先：提出将邻居的特征加起来作为特征求和。  
之后又需要添加闭环：添加一个自环加上自身的特征。  
然后：又将求和的特征平均一下的得到当前节点最终的特征。

#### 平均法存在的问题 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 2]  
马云-我的例子。

#### GCN提出的方法 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 3]

*   A ~ \\tilde\{A\} A~：邻接矩阵A+单位矩阵I（表示邻居的信息加上自己的信息）。
 *   D ~ \\tilde\{D\} D~： A ~ \\tilde\{A\} A~的度矩阵。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 4]  
    使用了**对称归一化的拉普拉斯矩阵**方法解决了这个问题。

[GNN]: https://www.bilibili.com/video/BV1Tf4y1i7Go
[Graph-Unets]: https://blog.csdn.net/yyl424525/article/details/103342855
[GCN]: https://www.zhihu.com/question/426784258
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70]: /images/20221120/2057fdd29c634a968f0b92b4f916107e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/b7fca535d98145808f129329fcd0de16.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 1]: /images/20221120/f3770b26cefc4c888997437882bc25c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 2]: /images/20221120/44ea0e195ceb44f897f53a88f5624ee1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 3]: /images/20221120/1f583f5ccf2f4c5c94f24e0e9ad2708c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI1NjAxMzQ1_size_16_color_FFFFFF_t_70 4]: /images/20221120/1a2f1fd0332d48f2a7e1a412744175fe.png