[图神经网络]图结构和图的表示
一、图结构
图:描述关联数据的通用语言。在图中,节点之间是有关联的。但在传统机器学习中,数据样本之间独立同分布。
图需要兼容任意尺寸(不定长)的输入结构和复杂的拓扑结构,且没有参考锚点(不像CNN和GNN有一个处理的起点)。且图也是动态变化的和多模态的特征(不同类型)。
二、图的表示
图由以下内容组成:节点(nodes),记作N;边(edge),记作E;全图(graph),记作G(N,E)
在设计图之初,我们需要制作一个本体图(将事物及其可能产生的联系做成一张图);
本体图的设计应遵循以下要求:①本体图必须是唯一的、无歧义的;②节点可能含有多种不同的数据类型;
1.图的属性
一般的图可以分为无向图(对称的、双向的)和有向图。
除此之外,还有一种被称为异质图(heterogeneous graph),这种图中可能包含多种节点和多种连接,记作G=(V,E,R,T),若一张异质图中存在两种节点则被称为二分图(Bipartite graph)。
将二分图中的两种节点展开即可生成展开二分图(Folded networks)
具体的展开方式为:将二分图的不同种类的节点分开;并根据二分图的连接,为得到的两张新图添加新的连接。
节点的连接数/度
如下图(无向图)中的A节点的;一张图的平均连接数是
(一条连接对两个节点都贡献有度,固需要x2)
对于有向图而言,需要区分in-degree和out-degree。如下图中的C节点,,
,而整体degree=in-degree + out-degree(
)
当一个节点的in-degree=0时,称Source;当out-degree=0时,称Sink;平均连接数且由于
和
一一对应,所以in-degree的平均与out-degree的平均是一致的
除了一般的不带权重图,还有一种图的连接是带权重的,称为带权重图。带权重图的邻接矩阵的元素为其边的权重,不再是非1即0。权重图的读数是所有非0元素求和再除以连接数
当图存在自输入(self-loops)时 ,邻接矩阵的主对角线元素不再为0。其连接数需要额外加上主对角线元素(不再除2)
当图中存在多重连接(Multigraph)时,邻接矩阵的元素等于该点的连接数相加。
图的连通性
图中必定存在一条通路(可能不止一条),使任意两个节点之间可以触达/连通。这个范围称为:连通域(Connected components)
若两个点之间不连通,则其邻接矩阵将呈现“分块对角”的性状
当这两个图之间出现连接则会打破这种性状
对于有向图而言,若任意两个结点可以通过有向连接相互触达,称为:强连接图,如下图中由ABC三个节点构成的子图就是一个强连接图,又称强连通域(Scc),指向Scc的节点称为In-Component(如E、G)、从Scc中指出的节点称为Out-component(如D、F);而仅在忽略方向的情况下相互连通称为:弱连接图,下图全图是一个弱连接图。
2.图的矩阵表示
①邻接矩阵
一般采用邻接矩阵表示。当节点i和节点j之间存在连接时,矩阵中的,若没有连接,则Aij=0
。如下图可以表示为:
当图为无向图时,邻接矩阵为对称矩阵,且主对角线为0(无自输入连接时);某个点的连接总数等于沿该点的行/列求和。
而对于有向图来说。邻接矩阵不再是对称矩阵,=节点列之和,
节点行之和
但实际上大部分自然世界的连接都是稀疏矩阵(大部分都不存在连接)。这种时候则可以采用连接列表和邻接列表来表示。
②连接列表
连接列表的具体做法为:使用一个数组,仅记录存在连接的节点对,表示如下:
(2,3) #有一条边由节点2指向了节点3
(2,4) #有一条边由节点2指向了节点4
③邻接列表
邻接列表的具体做法为:使用一个数组,将所有与某节点有联系的结点全部列在其后方,表示如下:
2:3,4 #节点2指向节点3,节点4
3:2,4 #节点3指向节点2,节点4
[图神经网络]图结构和图的表示相关推荐
- 【读文献笔记】图神经网络加速结构综述
[读文献笔记]图神经网络加速结构综述 前言 一.图神经网络来源 1.图神经网络用途 2.图神经网络特点 3.图神经网络主要阶段 4.图神经网络加速面临的挑战 5.本笔记内容包含内容 二.图与图神经网络 ...
- 【图神经网络研究精华】图卷积网络作者Thomas Kipf博士论文公布
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 转载自:机器之心 对于普通人来说,将自己的学位论文公布到社交媒体可能需要点勇气.但 ...
- 图神经网络(一)图信号处理与图卷积神经网络(3)图傅里叶变换
图神经网络(一)图信号处理与图卷积神经网络(3)图傅里叶变换 傅里叶变换是数字信号处理的基石,傅里叶变换将信号从时域空间转换到频域空间,而频域视角给信号的处理带来了极大的遍历.围绕傅里叶变换,信号的滤 ...
- 图神经网络(一)图信号处理与图卷积神经网络(2)图信号与图的拉普拉斯矩阵
图神经网络(一)图信号处理与图卷积神经网络(2)图信号与图的拉普拉斯矩阵 给定图G=(V,E)G=(V,E)G=(V,E),V表示图中的节点集合,假设其长度为NNN,图信号是一种描述V→RV→RV→ ...
- 178页,四年图神经网络研究精华,图卷积网络作者Thomas Kipf博士论文公布
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作分享,不代表本公众号立场,侵权联系删除 转载于:机器之心 AI博士笔记系列推荐 周志华<机器学习>手 ...
- 图神经网络(一)图信号处理与图卷积神经网络(5)图卷积神经网络
图神经网络(一)图信号处理与图卷积神经网络(5)图卷积神经网络 0. 概述 1. 对频率响应矩阵进行参数化 2. 对多项式系数进行参数化 3. 设计固定的图滤波器 0. 概述 在学习了图滤波器定义的基 ...
- 图神经网络(一)图信号处理与图卷积神经网络(1)矩阵乘法的三种方式
图神经网络(一)图信号处理与图卷积神经网络(1)矩阵乘法的三种方式 1.1 矩阵乘法的三种方式 参考文献 图信号处理(Graph Signal Processing,GSP) 1是离散信号处理(D ...
- 图神经网络中的谱图理论基础
一.图的拉普拉斯矩阵 拉普拉斯算子 拉普拉斯算子(Laplace Operator)是为欧几里德空间中的一个二阶微分算子,定义为梯度的散度,可以写作Δ,∇2,∇⋅∇\Delta ,\nabla ^{2 ...
- 图神经网络(一)图信号处理与图卷积神经网络(6)GCN实战
图神经网络(一)图信号处理与图卷积神经网络(6)GCN实战 GCN实战 1.SetUp 2.数据准备 3.图卷积层定义 4.模型定义 5.模型训练 完整代码 代码说明 1.SetUp 2.数据准备 3 ...
- 百度图神经网络学习——day05:图神经网络进阶模型
文章目录 一.ERNISage 1.ERNIESage Node 2.ERNIESage Edge 3.ERNIESage 1-Neighbour 二.UniMP 三.编程实践 1.ERNIESage ...
最新文章
- 串口初始化结构体和固件库讲解
- 用AJAX实现无刷新的分页
- 教育部正式宣布:9年义务教育大变动!与孩子息息相关
- caffe运行不停止_caffe(gpu)安装过程及问题解决
- mysql++3307,mysql多实例配置方法
- matlab 运算程序时间计算
- python 3.6.5 模拟银行转账系统
- gdb 命令_16. 如何使用 GDB 调试 Go 程序?
- Psping四大功能介绍:ICMP Ping/TCP Ping/延迟测试/带宽测试
- java easyui 模板_漂亮easyui皮肤组件html模板下载A 最新 最全
- 不能注册DLL/OCX:RegSvr32失败 0x5
- html5制作国际象棋棋盘,用3DS MAX打造国际象棋的棋盘效果 -工程
- 人工智能简史�_人工智能简史
- SEGGER 的硬件异常 分析
- DFA(deterministic finite automaton )有限状态机概念
- 二元最佳前缀码_信息与编码系列(二)最优码——Huffman码
- 分数段统计函数c语言,Excel 五个函数统计学生期末考试分数段
- 电路级静电防护设计技巧与ESD防护方法
- mysql中如何分页查询_MySQL_mysql分页原理和高效率的mysql分页查询语句,以前我在mysql中分页都是用的 l - phpStudy...
- 在自己项目或者 vue 中使用可爱的二次元((Live2D)
热门文章
- TWICImage.SaveToStream(Stream: TStream)方法修正
- C++编程法则365条一天一条(358)copy elision(返回值优化NVO和具名返回值优化NRVO)
- 计算机网络 数据链路层 协议知识点总结
- 基于axios前后端数据交互
- 网站测速服务 查看自己网站在全球的打开速度
- matlab验证中心切片定理
- 头歌 数据库系统实验 答案 善用目录
- 微软Tech Summit 2017,微软携手Unity打造MR之夜
- pc端html轮播带滑块,原生js实现移动端+pc端 轮播插件
- 《软件工程之美》打卡第五周