日韩精品A片一区二区三区妖精,国产怡红院,探花网址在线观看,秘书边打电话边被躁bd中文字幕,欧美女人啪啪,操美女的逼逼,久久婷婷网,爱操综合

來源：DeepHub IMBA

本文約1400字，建議閱讀5分鐘 
在本文中，我們將了解為什么圖數(shù)據(jù)是必不可少的，以及如何用圖形神經(jīng)網(wǎng)絡(luò)處理它們，我們將看到它們?nèi)绾斡糜谒幬镏匦露ㄎ弧?/span>

圖的力量

圖的獨(dú)特功能可以捕獲數(shù)據(jù)之間的結(jié)構(gòu)關(guān)系，從而比孤立地分析數(shù)據(jù)可以獲得更多的洞察力。圖是最通用的數(shù)據(jù)結(jié)構(gòu)之一。它們自然出現(xiàn)在許多應(yīng)用領(lǐng)域，從社會(huì)分析、生物信息學(xué)到計(jì)算機(jī)視覺。

這里只是一些例子：

醫(yī)療診斷和電子健康記錄建模
藥物發(fā)現(xiàn)和合成化合物
社會(huì)影響預(yù)測(cè)
推薦系統(tǒng)
流量預(yù)測(cè)

歐幾里得數(shù)據(jù)被建模為在 n 維線性空間中繪制。例如，圖像文件可以用 x、y、z 坐標(biāo)表示。

非歐幾里得數(shù)據(jù)沒有必要的大小或結(jié)構(gòu)。它們處于動(dòng)態(tài)結(jié)構(gòu)中。

因此，一個(gè)潛在的解決方案是在低維歐幾里得空間中學(xué)習(xí)圖的表示，從而可以保留圖的屬性。

圖神經(jīng)網(wǎng)絡(luò)的特征

1-鄰接矩陣

鄰接矩陣是用 0 或 1 填充的 N x N 矩陣，其中 N 是節(jié)點(diǎn)總數(shù)。鄰接矩陣能夠通過矩陣中的值來表示連接節(jié)點(diǎn)對(duì)的邊的存在。

實(shí)際上，將我們的圖表示為鄰接矩陣使我們能夠以張量的形式將其提供給網(wǎng)絡(luò)，這是我們的模型可以使用的。

2-節(jié)點(diǎn)特征

該矩陣表示每個(gè)節(jié)點(diǎn)的特征或?qū)傩?。?jié)點(diǎn)功能可能因您嘗試解決的問題類型而異。

例如，如果您正在處理 NLP 問題，則節(jié)點(diǎn)可以具有句子的獨(dú)熱編碼向量或具有定義連接到分子的原子的屬性，例如原子類型、電荷數(shù)和鍵。

CNN vs GCN

卷積神經(jīng)網(wǎng)絡(luò)在提取復(fù)雜特征方面已被證明非常有效，如今卷積層代表了許多深度學(xué)習(xí)模型的支柱。CNN 在處理任何維度的數(shù)據(jù)方面都取得了成功。

CNN 如此有效的原因在于它能夠?qū)W習(xí)一系列過濾器來提取更復(fù)雜的模式。有了一點(diǎn)創(chuàng)造性，我們可以將這些相同的想法應(yīng)用于圖形數(shù)據(jù)。

圖像是連接到其他像素的像素的隱式圖形，但它們始終具有固定的結(jié)構(gòu)。社交媒體網(wǎng)絡(luò)、分子結(jié)構(gòu)表示或地圖上的地址不是歐幾里得的。

GCN 執(zhí)行類似的操作，其中模型通過檢查相鄰節(jié)點(diǎn)來學(xué)習(xí)特征。

圖卷積網(wǎng)絡(luò)基礎(chǔ)

GCN 本身可以分為兩種強(qiáng)大的算法，空間（Spatial）圖卷積網(wǎng)絡(luò)和譜（Spectral ）圖卷積網(wǎng)絡(luò)。

空間卷積適用于節(jié)點(diǎn)的局部鄰域，并根據(jù)節(jié)點(diǎn)的 k 個(gè)局部鄰域了解節(jié)點(diǎn)的屬性。

在譜圖卷積中，我們對(duì)圖的拉普拉斯矩陣進(jìn)行特征分解。這種特征分解幫助我們理解圖的底層結(jié)構(gòu)，我們可以用它來識(shí)別這個(gè)圖的集群。

與空間圖卷積方法相比，譜圖卷積目前不太常用。

GNN 還具有獨(dú)特的消息共享機(jī)制。它們?cè)谙噜徆?jié)點(diǎn)之間執(zhí)行一些聚合。我們可以將這個(gè)過程想象為傳遞消息和更新，其中 GCN 的每一層都獲取鄰居節(jié)點(diǎn)的聚合并將其傳遞給下一個(gè)節(jié)點(diǎn)。

我們可以使用學(xué)習(xí)到的節(jié)點(diǎn)嵌入來執(zhí)行許多操作。例如，我們可以對(duì)節(jié)點(diǎn)向量求和，然后使用 MLP 進(jìn)行分類。

圖卷積的另一個(gè)案例

我們吃的食物含有數(shù)以千計(jì)的生物活性分子，其中一些類似于抗癌藥物?，F(xiàn)代機(jī)器學(xué)習(xí)技術(shù)可以發(fā)現(xiàn)并重新利用這種分子。

越來越多的證據(jù)表明，來自多種化學(xué)類別的數(shù)千種其他分子，如植物中豐富的多酚、黃酮類化合物、萜類化合物，可能有助于預(yù)防和對(duì)抗疾病。

在這個(gè)論文中，研究人員應(yīng)用圖神經(jīng)網(wǎng)絡(luò)使用蛋白質(zhì)-蛋白質(zhì)和藥物-蛋白質(zhì)相互作用圖來尋找食物中的抗癌分子。

我們發(fā)現(xiàn)的一些超級(jí)食物清單：柑橘類水果、卷心菜、芹菜。

論文地址：

https://www.nature.com/articles/s41598-019-45349-y

最后總結(jié)

從知識(shí)圖譜到社交網(wǎng)絡(luò)，圖譜應(yīng)用無處不在。

GNN 的目標(biāo)是在低維歐幾里得空間中學(xué)習(xí)圖的表示。

圖卷積網(wǎng)絡(luò)具有強(qiáng)大的表達(dá)能力來學(xué)習(xí)圖表示，并在廣泛的任務(wù)和應(yīng)用中取得了卓越的性能。

GNC 在藥物發(fā)現(xiàn)中必不可少。

編輯：文婧

圖卷積網(wǎng)絡(luò) (GCN) 的高層解釋

在本文中，我們將了解為什么圖數(shù)據(jù)是必不可少的，以及如何用圖形神經(jīng)網(wǎng)絡(luò)處理它們，我們將看到它們?nèi)绾斡糜谒幬镏匦露ㄎ弧?/span>

圖的力量

圖神經(jīng)網(wǎng)絡(luò)的特征

圖卷積網(wǎng)絡(luò)基礎(chǔ)

圖卷積的另一個(gè)案例

最后總結(jié)