你好,游客 登录
背景:
阅读新闻

基于图卷积网络的图深度学习

[日期:2017-07-29] 来源:极客  作者: [字体: ]

https://yq.aliyun.com/cloud

基于图卷积网络的图深度学习

先简单回顾一下,深度学习到底干成功了哪些事情!

深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功。ImageNet:是一个计算机视觉系统识别项目, 是目前世界上图像识别最大的数据库,并且被业界熟知。
我们先回顾一下,没有大数据支撑的欧式深度学习技术。对于一个字母“Z”的识别,我们通常是建立一个2D网格(点阵),如果将其中的点连接起来,定义这样的连接方式所形成的就是“Z”。然后是用其他字母来测试,这个模型的正确性。

传统深度学习的方法,实际上就是一种手工设计特征的过程。而且,在准确率上没有保障。而真正的深度学习,端到端的学习,其中的过程到底发生了什么,设计者什么也不知道,自然也不会人为的去干涉。

如果数据不能网格化,那么CNNs就失去了作用。所以,CNNs在一定程度上还是有很多缺陷的。例如图结构数据,如何处理?在现实世界中这样的例子很多很多:社交网络(著名的六度理论),万维网,知识图,等等这些都是图结构,不是网格结构,对于这些我们该怎么解决。

下面是一个简单的解决图结构数据的方法。

这个方法到底会出现什么样的问题呢?为了解决问题,我们需要什么呢?

先简单介绍一下第一阶消息传递的GCNs,这个理论在2009年就已经被提出来了。

接下来,我们了解一下GCN模型架构!

GCN模型架构到底能干什么呢?先举个小栗子。

GCN模型与大名鼎鼎魏勒雷曼算法的关系到底是什么样的呢?

图的半监督分类也是一种不错的方法。

半监督分类嵌入方法——两步管道,这个方法也有一些问题,但我想这是可以解决的。

举个小栗子,视频链接是一个关于半监督学习的小例子,有兴趣的朋友可以去看一下。

视频:
http://tkipf.github.io/graph-convolutional-networks/
此外,还有关于引文网络的分类,也可以 通过这个方法实现。

下面2-layerGCN模型的实验结果

还要一些这个方法最近应用到其他程序的案例。

用这个方法关于图auto-encoders链接的预测。下面是auto-encoders的介绍

Autoencoders
进一步的阅读
Blog post Graph Convolutional Networks:
http://tkipf.github.io/graph-convolutional-networks
Code on Github:
http://github.com/tkipf/gcn
Kipf & Welling, Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017:
https://arxiv.org/abs/1609.02907
Kipf & Welling, Variational Graph Auto-Encoders, NIPS BDL Workshop, 2016: https://arxiv.org/abs/1611.07308

作者:Thomas Kipf
本文由北邮@爱可可-爱生活推荐,阿里云云栖社区翻译。

收藏 推荐 打印 | 录入:admin | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款