圖卷積神經網絡

GCN、GraphSage都屬于圖卷積神經網絡，都是利用節點與節點周圍的鄰居信息不斷的聚合，以學習到節點的高層表示。

PATCH-SAN：因為GCN和GraphSage聚合鄰居信息時具有排列不變性，而PATCH-SAN是真正利用卷積操作，去完成節點的深層次的學習。

Graph Attention NetWork

GAT利用節點之間的attention，求出節點與周圍鄰居節點的attention系數，然后通過聚合鄰居節點得到下一層的特征表示。

Graph Auto-encoder

輸入一張圖graph，然后通過GCN得到圖的隱層節點特征表示z，然后$z?z^T$還原出一張圖，然后求輸入圖與輸出圖的結構性誤差，當做損失函數，最小化loss之后，就學到了GCN的參數。與autoencoder思想類似，只不過把encoder轉為GCN，decoder轉為$z?z^T$

Graph Spatial-Temporal Networks(圖時空網絡)

同時考慮圖的空間性和時間維度。比如在交通鄰域中，速度傳感器會隨時間變化的時間維度，不同的傳感器之間也會形成連接的空間維度的邊。當前的許多方法都應用GCN來捕獲圖的依賴性，使用一些RNN 或CNN 對時間依賴性建模。

Graph Generative NetWork（圖生成網絡）

通過RNN或者GAN的方式生成網絡。圖生成網絡的一個有前途的應用領域是化合物的生成。在化學圖中，原子被視為節點，化學鍵被視為邊，任務是發現具有某些化學和物理性質的新的可合成分子。

Graph Reinforcement Learning（圖強化學習）

采用強化學習的方法應用于圖網絡上

Graph Adversarial Methods

GAN思想，生成器生成樣本，分類器去判別樣本

通用框架

MPNN消息傳遞網絡

統一了各種圖神經網絡和圖卷積網絡，分為兩個階段：

消息傳遞階段

Readout階段

消息傳遞階段

在消息傳遞階段分為兩個函數：
（1）消息函數Mt ：聚合了自己的節點$h_v^t$、鄰居節點$h_w^t$和邊的特征$e_{vw}$，通過消息聚合函數$M_t$，得到聚合鄰居的信息$m_v^{t+1}$。
（2）更新函數Ut：根據本身的向量$h_v^t$，以及聚合了鄰居信息的特征$m_v^{t+1}$，然后通過更新函數$U_t$更新了下一層的節點的表示。

上面兩步，可以在GCN、GraphSage模型中都有體現。

在Readout階段
得到每一個節點的特征$h_v^{t+1}$，將這些節點聚合在一起得到了圖的特征表示。相當于聚合了圖上所有的節點。同時要保證節點排列不變性。

NLNN統一Attention

None-local Neural NetWorks 非局部圖網絡

上述公式中，$f(x_i,x_j)$表示$i,j$節點之間的關系，可以通過很多關系函數求得，例如$f(h_i,h_j)=e^{h_i^T{h}_j}、f(h_i,h_j)=e^{\theta (h_i{)}^T?(h_j)}、f(h_i,h_j)=\theta (h_i{)}^T?(h_j)、f(h_i,h_j)=ReLU(w^T[\theta (h_i)||?(h_i)])$

$g(x_j)$表示$x_j$經過$g(x)$函數的變換。

${\sum }_{?j}f(x_i,x_j)g(x_j)$表示，聚合節點x的所有鄰居節點j
然后通過歸一化操作求得節點i的新的特征表示。

在GAT中，$x_i,x_j$相當于attention系數，$f(x_i,x_j)$ 相當于將節點i和節點j拼接之后與attention系數相乘然后與$g(x_j)$相乘加權求和。

GN網絡

統一了MPNN和NLNN
GN block

上面我們討論了簡單圖的圖神經網絡模型，這些圖都是靜態的，只有一種節點和一種邊。然而，在許多現實世界的應用程序中的圖表要復雜得多。它們通常有多種類型的節點、邊緣、獨特的結構，而且通常是動態的。

異構圖 Heterogeneous Graph Neural Networks

二部圖 Bipartite Graph Neural Networks

多維圖 Multi-dimensional Graph Neural Networks

符號圖 Signed Graph Neural Networks

超圖 Hypergraph Neural Networks

動態圖 Dynamic Graph Neural Networks

異構圖

節點和節點之間或者邊之間的關系是不一樣的。例如作者可以發表文章，參加會議，文章之間又有引用的關系。

二部圖

可以將圖中所有的節點分為兩部分，其中每一部分內之間是沒有邊的連接， 不同部分之間可以有邊連接，例如人可以在電商網站購買物品，任何人之間或者物品和物品之間沒有邊的連接，但是任何物品之間可以通過購買關系相連接，這種方式的圖就是二部圖

多維圖

符號圖

節點和節點之間的邊是有相反屬性的關系，例如兩個人之間如果是朋友關系則為$+1$，如果是敵對關系則為$?1$，如果不認識，則沒有邊連接。邊上有符號的圖叫符號圖。

超圖

動態圖

上面提到的圖是靜態的，觀察時節點之間的連接是固定的。 但是，在許多實際應用中，隨著新節點被添加到圖中，圖在不斷發展，并且新邊也在不斷出現。 例如，在諸如Facebook的在線社交網絡中，用戶可以不斷與他人建立友誼，新用戶也可以隨時加入Facebook。 這些類型的演化圖可以表示為動態圖，其中每個節點或邊都與時間戳關聯。

例如在$t_0$時刻，節點$v_2$關注了節點$v_1$，在$t_1$時刻，節點$v_3$也關注了$v_1$，以此類推，隨著時間的變化生成的圖就是動態圖。

總結

以上是生活随笔為你收集整理的图神经网络的分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。