[论文笔记]Learning Convolutional Neu

2018-10-26  本文已影响0人  醒醒去睡吧

Learning Convolutional Neural Networks for Graphs (2016 ICML)
ppt讲解

[概要]

对于图像images来说,CNN对输入image的局部关联的区域进行操作,与此类似,本文提出了一种通用的方法,也抽取graph中局部关联的区域进行相应的操作。
由于images是排列成grid形状,所以images可以直接运用卷积操作。但是对于图结构来说,需要一个从graph到向量的映射的一个预处理过程
作者提出了对任意的图学习卷积神经网络的框架:PATCHY-SAN(Select-Assemble-Normalize)。通过三个步骤构建卷积分片:

  1. 从图中选择一个固定长度的节点序列;
  2. 对序列中的每个节点,收集固定大小的邻居集合;
  3. 对由当前节点及其对应的邻居构成的子图进行规范化,作为卷积结构的输入。

通过上述三个步骤构建出所有的卷积片之后,利用卷积结构分别对每个分片进行操作。
图结构:可以是有向图,也可以是无向图;图可以有多种类型的边;图的点或边的特征,可以同时有多个离散和连续的特征。

[应用]

将 CNNs 拓展到大规模的基于 graph 的学习问题中,主要考虑两类问题:

[算法]

1. 节点序列选择[Node Sequence Selection]
2. 邻居节点收集[Neighborhood Assembly]

对于上一步获得的节点序列中的每一个节点,利用广度优化搜索扩展邻居节点,和源节点一起构成一个至少k大小的邻域集合。

3. 图规范化[Graph Normalization]
figure 2.png
使用NAUTY, 对邻域集合用标号函数进行排序, 得到大小为的接受域。
4. 卷积结构[Convolutional Architecture]

对于节点的属性,k个节点属性值构成了一个输入通道,对于边的属性,k^2个属性值也构成了一个输入通道。我们可以分别用一维的卷积层来处理这两种输入通道(对于节点属性卷积层长度为k,对于边属性卷积层长度为k^2)。

[贡献] Theoretical Contributions

[优缺点] Pros/Cons

Advantages

Disadvantages

[实验及结果分析]

Date Sets

6 standard benchmark data sets: MUTAG, PCT, NCI1, NCI109, PROTEIN, D&D.

Experimental Set-up

PSCN vs state-of-the-art graph kenerls: SP, RW, GK, WL

Reference:

  1. 论文笔记:Learning Convolutional Neural Networks for Graphs
  2. 论文笔记 |Learning Convolutional Neural Networks for Graphs
  3. 深度学习在graph上的使用
  4. 论文引介 |Learning Convolutional Neural Networks for Graphs4
上一篇 下一篇

猜你喜欢

热点阅读