​​​​摘要： 本文带大家从另一个角度来理解和认识图卷积网络的概念。

本文分享自华为云社区《技术综述十二：图网络的基本概念》，原文作者：一笑倾城。

基础概念

笔者认为，图的核心思想是学习一个函数映射 f(.)f(.)，借助该映射，图中的节点可以聚合自己的特征与邻居节点的特征，从而生成该节点的新特征表示。

Figure 1. 图的一般推理过程[1]

图神经网络 Vs. 卷积神经网络

如图 2 所示，卷积神经网络的输入数据一般是规则的矩阵类型数据，例如图片。每个节点和其它节点的空间关系是固定的。而图神经网络的输入数据一般表现为不规则的拓扑结构，节点与节点的关系非常复杂，节点间的空间关系一般不做约束，节点间是否存在连接以及连接的数量不做约束。复杂的网络还涉及到连接的方向和子图等概念。

Figure 2. 图网络和卷积网络[1]

如图 3 所示，如果将图的每个节点等价视为图像中的每个像素，其实，图的工作过程可以类比 CV 中的经典问题：semantic segmentation。

Figure 3. semantic segmentation[2]

图的基础组件及其实现

图在工作过程中，主要需要处理的问题有两个，一个是节点信息的提炼方式；另一个是邻近节点的搜索方式。整理如下：

邻近节点的搜索方式:

• 每个节点考虑全部其它节点

• 基于欧氏距离，只搜索近邻 N 个节点

节点信息的提炼方式:

• MLP+Max Pooling 直接进行特征融合

• 基于 attention，对周边节点进行加权平均

• 普通 attention

• Self-attention (Bert/Transformer)

Figure 4. 图节点信息的提炼过程

总结

最后，图卷积和卷积之间的一些对比整理在图 5 中。我们可以观察到一些有趣的现象，其实在卷积网络中，也有邻近节点搜索方式的一些工作，例如空洞卷积和可变形卷积。

Figure 5. 图网络和卷积网络工作方式比较

【参考文献】

[1] Wu, Zonghan, et al. “Acomprehensive survey on graph neural networks.” IEEE transactionson neural networks and learning systems (2020).

[2] Long, Jonathan, Evan Shelhamer, and TrevorDarrell. “Fully convolutional networks for semantic segmentation.” Proceedings of the IEEE conference on computer vision and patternrecognition. 2015.

点击关注，第一时间了解华为云新鲜技术~