图形神经网络

概览

图形神经网络处理其元素被边缘连接的数据,如分子中的原子、社会系统中的用户或引用网中的文件等. 这些模型不假设一个正态像素网格或序列,而是利用从当地街区得到的信息来更新节点、边缘和图表的表示。

技术基础

一个消息通路的图神经网络通过汇总相邻节点和边缘状态函数来更新一个節點表示,再应用已学到的最新地图. 汇总可以大致显示设置函数,而正态化的演入平均是相邻信息. 注意从特征中学习边缘分量. 等价模型保存自转或翻译,对分子和物理系统特别有价值. Weisfeiler-Lehman分级系统为区分图结构提供了一种参考,但标准消息通过不能将每一个非同位素图表分开并可能透过狭窄的计算瓶颈来压缩远方信息.

如何运作

一个通訊層会从相邻的特性构造出消息,用一个穿透-变化函数来聚合它们并更新每个节点状态. 重复层会扩展可接受字段. 集合产生图级的表示,而注意度、几何限制或时间模块则使框架适应专门数据。

衡量和研究方法

评价必须确定如何分割图表。 随机分取连接的节点会泄露邻里或身份信息,因此时间性相接地段(tality)被断开后地理上或者实体-离散时可能更现实. 基线应包括非图模型,以测试边缘是否增加值。 计量取决于阶级不平衡和任务成本,在分配转变时应评估不确定性。 解释性方法识别出有影响的子图,特征或反事实边缘等功能相通的分法来进行区分取而代之的解释需要忠贞测试. 对于大图,相邻采样取出子地图进行分批并分布了稀有的操作交易差异、内存和通信费用.

二. 主要想法

• 图形构造编码了假设,可以主导模型行为.
• 当节点命令没有物理意义时,需要变相变化。
• 更多的层不能保证更多信息,因为过度平缓和夸张会降低表达。

目前的研究领域

研究探索了图变器,所学的图表构造、动态网络和跨越分子或知识领域的基础模型。 物理信息图网在尊重养护和对称性的同时,将模拟器大致地放在中间体或颗粒上。 在药物和材料发现中,预测与不确定性指导实验相结合而不是作为测量的替代物。 开放性的问题包括:远距离推理,异形图等;因果结构与强力到缺失或被操纵的边缘. 公平性很复杂,因为关系数据可以向邻居传播敏感信息。 因此,可靠的部署需要监测地物漂移和图通性的变化。

为什么它很重要

地圖網路支持分子属性预测,材料发现等推荐系统相接的流量建模和知识-图理. 它们为纳入关系和物理诱导偏见提供了自然途径。

限制和未决问题

在改变图结构,偏差链接或对抗性边缘操纵下表现会失败. 某些图解区分的表达力有限,而可伸缩性、不确定性和因果解释以及连接列车测试样本之间的渗出需要认真评估。