
圖譜神經(jīng)網(wǎng)絡(GNNs)近年來一直是一個快速發(fā)展的領域。根據(jù)2021年的《人工智能狀況》報告,GNNs已經(jīng) "從小眾領域發(fā)展為人工智能研究的最熱門領域之一"。
本文是《用PyTorch和Scikit-Learn進行機器學習》一書的節(jié)選,該書是廣受好評的暢銷Python機器學習系列的新書,經(jīng)過全面更新和擴展,涵蓋了PyTorch、變換器、圖神經(jīng)網(wǎng)絡和最佳實踐。
在本節(jié)中,我們將看到為什么我們要在圖上使用卷積,并討論我們希望這些卷積具有什么屬性。
在圖像的背景下,我們可以把卷積看作是在圖像上滑動卷積濾波器的過程,在每一步,濾波器和接受域(它目前在圖像上的部分)之間的加權和被計算出來。濾波器可以被看作是一個特定特征的檢測器。由于一些原因,這種特征檢測的方法非常適合于圖像,例如,我們可以在圖像數(shù)據(jù)上設置以下先驗條件。
1. 移位不變性。我們?nèi)匀豢梢宰R別圖像中的一個特征,無論它位于何處(例如,經(jīng)過翻譯)。一只貓無論在圖像的左上角、右下角還是其他地方,都能被識別為貓。
2. 2.位置性。附近的像素是密切相關的。
3. 3. 層次性。圖像中較大的部分通??梢员环纸獬上嚓P的較小部分的組合。一只貓有頭和腿;頭有眼睛和鼻子;眼睛有瞳孔和虹膜。
卷積適合處理圖像的另一個原因是,可訓練參數(shù)的數(shù)量并不取決于輸入的維度。你可以在256×256或9×9的圖像上訓練一系列的3×3卷積過濾器。(然而,如果同一幅圖像以不同的分辨率呈現(xiàn),其感受野以及因此而提取的特征將有所不同)。而對于更高分辨率的圖像,我們可能要選擇更大的核或增加額外的層來有效地提取有用的特征)。
和圖像一樣,圖形也有天然的先驗,這就證明了卷積方法的合理性。這兩種數(shù)據(jù),圖像和圖形,都有共同的位置性先驗。然而,我們?nèi)绾味x定位是不同的。在圖像中,先驗是在二維空間中的位置性,而在圖形中,它是結構位置性。直觀地說,這意味著相距一條邊的節(jié)點比相距五條邊的節(jié)點更有可能是相關的。例如,在一個引用圖中,一個直接被引用的出版物,也就是一個邊的距離,比一個有多個分離度的出版物更可能有相似的主題。
圖數(shù)據(jù)的一個嚴格的先驗是包絡不變性,這意味著節(jié)點的排序不會影響輸出。這在圖1中得到了說明,改變圖的節(jié)點排序不會改變圖的結構:
圖1:代表同一圖形的不同鄰接矩陣
由于同一圖形可以由多個鄰接矩陣表示,如圖1所示,因此,任何圖形卷積都需要具有包絡不變性。
卷積方法對于圖形來說也是可取的,因為它可以用一個固定的參數(shù)集對不同大小的圖形發(fā)揮作用??梢哉f,這一特性對圖來說比圖像更重要。例如,有許多圖像數(shù)據(jù)集具有固定的分辨率,在那里可以使用全連接方法(例如,使用多層感知器)。相比之下,大多數(shù)圖形數(shù)據(jù)集包含不同大小的圖形。通過Sebastian Raschka、Yuxi (Hayden) Liu和Vahid Mirjalili的《PyTorch和Scikit-Learn的機器學習》了解更多。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉換:從基礎用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關聯(lián)查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結構數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結構數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內(nèi)涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結構數(shù)據(jù)特征價值的專業(yè)核心 表結構數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結構化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數(shù)據(jù)分析與統(tǒng)計學領域,假設檢驗是驗證研究假設、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結構數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結構數(shù)據(jù)(以 “行 - 列” 存儲的結構化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網(wǎng)絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結構數(shù)據(jù)價值的核心操盤手 表格結構數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數(shù)據(jù)的科學計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點數(shù)據(jù)時的科學計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務數(shù)據(jù)分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數(shù)據(jù)把關的實戰(zhàn)指南 在業(yè)務系統(tǒng)落地過程中,“業(yè)務邏輯” 是連接 “需求設計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務數(shù)據(jù)分析:概念辨析與協(xié)同價值 在數(shù)據(jù)驅動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實踐到業(yè)務價值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價值導向 統(tǒng)計模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10