gnn significado chino

El origen de GNN

GNN es un modelo de conexión que obtiene las dependencias en el grafo mediante la transferencia de información entre nodos de la red y aprende de los nodos vecinos en cualquier lugar. profundidad Para actualizar el estado del nodo, este estado puede representar información de estado.

Para los modelos GNN, introducimos variantes clasificadas por tipo de gráfico, tipo de propagación y tipo de entrenamiento. Además, resumimos varios marcos generales para la representación unificada de diferentes variantes. En términos de clasificación de aplicaciones, dividimos las aplicaciones GNN en escenarios estructurales, escenarios no estructurales y otros escenarios, y luego presentamos las aplicaciones en cada escenario en detalle. Finalmente, planteamos cuatro preguntas abiertas que señalan los principales desafíos y las direcciones de investigación futuras de las redes neuronales de gráficos, incluida la profundidad del modelo, la escalabilidad y la capacidad de manejar gráficos dinámicos y escenas no estructuradas.

1.1 Motivación 1: Defectos de CNN

Las características principales de CNN son: conexión local, pesos compartidos y superposición multicapa)

Estas son. También es muy útil en problemas de gráficos, porque la estructura del gráfico es la estructura de conexión local más típica. En segundo lugar, compartir pesos puede reducir la cantidad de cálculo. Además, las estructuras de múltiples capas se utilizan para manejar patrones jerárquicos. .

Se han aplicado métodos tradicionales de aprendizaje profundo para extraer características de los datos del espacio euclidiano y han logrado un gran éxito. Sin embargo, los datos en muchos escenarios de aplicación prácticos se generan a partir de métodos tradicionales de aprendizaje profundo. en el procesamiento de datos espaciales no euclidianos sigue siendo insatisfactorio.

CNN solo puede procesar datos euclidianos (datos euclidianos), como imágenes bidimensionales y datos de texto unidimensionales, y estos datos son solo casos especiales de estructuras gráficas, por lo que son difíciles de procesar. utilizar