深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功。ImageNet:是一个计算机视觉系统识别项目, 是目前世界上图像识别最大的数据库,并且被业界熟知。


我们先回顾一下,没有大数据支撑的欧式深度学习技术。对于一个字母“Z”的识别,我们通常是建立一个2D网格(点阵),如果将其中的点连接起来,定义这样的连接方式所形成的就是“Z”。然后是用其他字母来测试,这个模型的正确性。

 基于图卷积网络的图深度学习 智能机器人 第1张

 基于图卷积网络的图深度学习 智能机器人 第2张

传统深度学习的方法,实际上就是一种手工设计特征的过程。而且,在准确率上没有保障。而真正的深度学习,端到端的学习,其中的过程到底发生了什么,设计者什么也不知道,自然也不会人为的去干涉。

 基于图卷积网络的图深度学习 智能机器人 第3张

 基于图卷积网络的图深度学习 智能机器人 第4张


如果数据不能网格化,那么CNNs就失去了作用。所以,CNNs在一定程度上还是有很多缺陷的。例如图结构数据,如何处理?在现实世界中这样的例子很多很多:社交网络(著名的六度理论),万维网,知识图,等等这些都是图结构,不是网格结构,对于这些我们该怎么解决。

 基于图卷积网络的图深度学习 智能机器人 第5张

 基于图卷积网络的图深度学习 智能机器人 第6张


下面是一个简单的解决图结构数据的方法。

微信图片_20170608052047.jpg 基于图卷积网络的图深度学习 智能机器人 第7张

这个方法到底会出现什么样的问题呢?为了解决问题,我们需要什么呢?

微信图片_20170608052145.jpg 基于图卷积网络的图深度学习 智能机器人 第8张

先简单介绍一下第一阶消息传递的GCNs,这个理论在2009年就已经被提出来了。

微信图片_20170608052235.jpg 基于图卷积网络的图深度学习 智能机器人 第9张

接下来,我们了解一下GCN模型架构!

 基于图卷积网络的图深度学习 智能机器人 第10张


GCN模型架构到底能干什么呢?先举个小栗子。

 基于图卷积网络的图深度学习 智能机器人 第11张

GCN模型与大名鼎鼎魏勒雷曼算法的关系到底是什么样的呢?

 基于图卷积网络的图深度学习 智能机器人 第12张

微信图片_20170608052305.jpg 基于图卷积网络的图深度学习 智能机器人 第13张

图的半监督分类也是一种不错的方法。

 基于图卷积网络的图深度学习 智能机器人 第14张

半监督分类嵌入方法——两步管道,这个方法也有一些问题,但我想这是可以解决的。
微信图片_20170608053617.jpg 基于图卷积网络的图深度学习 智能机器人 第15张

举个小栗子,视频链接是一个关于半监督学习的小例子,有兴趣的朋友可以去看一下。

微信图片_20170608053626.jpg 基于图卷积网络的图深度学习 智能机器人 第16张

视频:

http://tkipf.github.io/graph-convolutional-networks/
此外,还有关于引文网络的分类,也可以 通过这个方法实现。

微信图片_20170608053643.jpg 基于图卷积网络的图深度学习 智能机器人 第17张

下面2-layerGCN模型的实验结果

微信图片_20170608054215.jpg 基于图卷积网络的图深度学习 智能机器人 第18张

 基于图卷积网络的图深度学习 智能机器人 第19张

还要一些这个方法最近应用到其他程序的案例。

 基于图卷积网络的图深度学习 智能机器人 第20张

用这个方法关于图auto-encoders链接的预测。下面是auto-encoders的介绍

 基于图卷积网络的图深度学习 智能机器人 第21张