摘要

作者在不同任務(wù)中嘗試了節(jié)點式歸一化(Node-wise)，鄰接式歸一化(Adjance-wise)，圖式歸一化(Graph-wise)和批處理歸一化(Batch-wise)作為歸一化計算方式，來分析每種歸一化方式的優(yōu)劣，并提出一種基于學(xué)習(xí)的四合一自動加權(quán)組合的方式來學(xué)習(xí)適合當(dāng)前任務(wù)的圖歸一化。

Paper:
Learning Graph Normalization for Graph Neural Networks
https://arxiv.org/abs/2009.11746
Source Code:
https://github.com/cyh1112/GraphNormalization

背景

圖神經(jīng)網(wǎng)絡(luò)(GNN)近年來吸引了大量的關(guān)注，因為圖神經(jīng)網(wǎng)絡(luò)成為了處理圖結(jié)構(gòu)數(shù)據(jù)最有希望的一種范例。圖神經(jīng)網(wǎng)絡(luò)通過堆疊多層，每一層通過節(jié)點間的信息傳遞與聚合來更新每個節(jié)點的表示，多層信息傳遞，可以捕捉遠程節(jié)點之間的依賴關(guān)系，而帶來更好的性能。要訓(xùn)練一個多層的GNN，歸一化技術(shù)是必不可少的。但不同的歸一化技術(shù)對不同任務(wù)有不一樣的表現(xiàn)，最近arXiv上公開的一篇文章《Learning Graph Normalization for Graph Neural Networks》探討了在圖神經(jīng)網(wǎng)絡(luò)里面，應(yīng)該如何選擇更好的歸一化技術(shù)。

核心思想介紹

首先我們來看在論文中提到的四種歸一化技術(shù)，（a）節(jié)點式（node-wise）歸一化，其實類似于NLP里面的層歸一化（LayerNorm）, 每個節(jié)點單獨來計算歸一化；（b）鄰接式歸一化（Adjance-wise）是將該節(jié)點的鄰接節(jié)點信息加進來一起計算歸一化，在查閱源代碼之后，這一點實現(xiàn)作者用了一個比較巧妙的實現(xiàn)方式，利用dgl的消息傳遞機制，鄰接節(jié)點特征聚合到中心節(jié)點之后再計算歸一化，等于是做了兩次的信息傳遞。（c）圖式（Graph-wise）歸一化, 就是利用整個圖所有節(jié)點的特征來計算歸一化，歸一化只考慮圖內(nèi)信息，而不是考慮整個數(shù)據(jù)庫的分布。（d）批處理式（Batch-wise）歸一化，在CV領(lǐng)域最常用的歸一化方式。（e）（f）（g）（h）是同樣的計算，在圖的邊上的體現(xiàn)。

節(jié)點式歸一化Node-wise Normalization計算如下:，

本質(zhì)上Node-wise Normalization和LayerNorm的計算方式是一樣的， 只是LayerNorm經(jīng)常用在NLP任務(wù)中，NLP任務(wù)中數(shù)據(jù)大多是Sequence化的，如Transformer, Bert。而圖中的數(shù)據(jù)不一定是序列化，大多數(shù)情況下不是序列化的，因此Node-wise Normalization對哪類圖問題會比較好是疑問。

鄰接式的歸一化計算Adjance-wsie Normalization如下:

其中k表示第k個圖, i表示第i個節(jié)點， 表示第k個圖中第i個節(jié)點的所有近鄰節(jié)點。

鄰接式的Normalization的計算量要大一點。

圖式的歸一化計算 Graph-wise Normalization如下:

其中$\mathcal{G}\_k$表示第k個圖中的所有節(jié)點，$\left|\mathcal{G}\_k\right|$表示第k個圖中所有節(jié)點的數(shù)量。

批處理式的歸一化計算 Batch-wise Normalization如下:

Batch-wise Normalization和BN本質(zhì)上也是等價的。BN是CV中至關(guān)重要的一個技術(shù)，有效的改善了梯度爆炸的問題。

除了以上四種歸一化技術(shù)之后，作者還提出一種自動學(xué)習(xí)加權(quán)組合的歸一化技術(shù)（United Graph Normalization）， 將以上四種歸一化技術(shù)，加上可學(xué)習(xí)權(quán)重lambda，在lambda可視化中也可以看到，這個lambda權(quán)重學(xué)習(xí)有一定傾向性，作用越大的歸一化方式，對應(yīng)lambda權(quán)重越大，公式如下:

在不同數(shù)據(jù)集上，隨著層次變化權(quán)重的分布圖如下:

在節(jié)點分類上，圖式的歸一化效果好，它在最后一層的權(quán)重就大，在圖分類和圖回歸上面批處理式的效果好，它在最后一層權(quán)重就大。在邊預(yù)測問題上面規(guī)律沒有圖分類回歸明顯。

4種歸一化方法分析

節(jié)點式歸一化： 等同于層歸一化（LayerNorm），只考慮自身特征，但忽略了鄰域和圖結(jié)構(gòu)等信息。

鄰接式歸一化： 計算引入鄰接節(jié)點的信息，能反映節(jié)點在不同鄰域的差異。

圖式歸一化： 在單圖做歸一化，能體現(xiàn)圖內(nèi)節(jié)點在圖中的差異，在節(jié)點分類任務(wù)中表現(xiàn)更加優(yōu)異。

批處理歸一化： 與標(biāo)準(zhǔn)的批處理歸一化一樣，但當(dāng)在單圖任務(wù)上時，與圖式歸一化相似。只是在訓(xùn)練的時候一個用momentum，一個不用。

實驗

論文除了follow [1]中的實驗之外，還做了一個關(guān)鍵信息抽取SROIE的任務(wù)，這個任務(wù)有四個關(guān)鍵字段，’公司名’、’地址’、’時間’、’合計金額’，如下圖所示。論文把關(guān)鍵信息抽取看出是一個節(jié)點分類任務(wù)，其中’公司名’和’地址’可能包含多行，也就是多個節(jié)點，只有當(dāng)所關(guān)鍵字段包含的所有節(jié)點都同時分類正確才算對，否則就算錯誤。

結(jié)果如下表:

結(jié)論

在實驗結(jié)果和lambda的可視化分析中，我們可以發(fā)現(xiàn)，圖式歸一化和鄰接式的歸一化在節(jié)點分類上性能突出，這也說明節(jié)點分類更依賴節(jié)點所在鄰域信息，或者節(jié)點所在圖中位置的信息。而批處理歸一化在在圖分類和圖回歸任務(wù)中表現(xiàn)很好。而組合式的歸一化（ United Graph Normalization）可以調(diào)節(jié)不同歸一化結(jié)果的比重，來達到更好的性能，同時也有一個體現(xiàn)，lambda權(quán)重越大，對應(yīng)單一歸一化結(jié)果也更好。我們也可以通過lambda的分布來判斷哪種歸一化更適合。

本文為極市開發(fā)者原創(chuàng)投稿，轉(zhuǎn)載請注明來源。極市「論文推薦」專欄，幫助開發(fā)者們推廣分享自己的最新工作，歡迎大家投稿。聯(lián)系極市小編(fengcall19)即可投稿~

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的Graph Normalization (GN)：为图神经网络学习一个有效的图归一化的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。