企业官网建设流程全解析

制作公司网站需要那些资料,wordpress上传与安装包,wordpress qq头像,网站为什么被百度k了5.5 图神经网络(GNN)与几何深度学习 学习目标 掌握图神经网络的核心原理与消息传递机制，理解GNN在结构化数据上的优势，学习主流GNN架构的设计思想，了解几何深度学习的基本概念，能够将GNN应用于实际图结构数据问题。 一、图结构数据：非欧几里得空间的挑战 1.1 从规则数据…5.5 图神经网络(GNN)与几何深度学习学习目标掌握图神经网络的核心原理与消息传递机制，理解GNN在结构化数据上的优势，学习主流GNN架构的设计思想，了解几何深度学习的基本概念，能够将GNN应用于实际图结构数据问题。一、图结构数据：非欧几里得空间的挑战1.1 从规则数据到图结构数据传统神经网络的数据假设图像：规则网格，局部相邻，平移不变性文本：序列顺序，固定长度音频：时间序列，一维连续图结构数据的特性图G=(V,E)G = (V, E)G=(V,E)，其中VVV是节点集合，EEE是边集合。核心特征：不规则拓扑：每个节点具有不同的连接数置换不变性：节点顺序不影响图结构多尺度结构：局部到全局的层级关系异构性：节点/边类型多样，属性丰富1.2 图数据的常见类型按连接性质分类图类型特点应用示例无向图边无方向社交网络（好友关系）有向图边有方向引用网络（论文引用）加权图边有权重交通网络（道路流量）多关系图多种边类型知识图谱（实体关系）动态图随时间演化社交网络演变异构图多种节点类型推荐系统（用户-商品）按规模分类小规模图：分子图（几十个节点）中等规模图：蛋白质相互作用（数千节点）大规模图：社交网络（百万节点+）极大规模图：互联网链接图（十亿节点+）1.3 图表示学习的基本问题节点级别任务节点分类：预测节点类别（用户画像）节点回归：预测节点数值（蛋白质功能强度）链接预测：预测边是否存在（好友推荐）节点聚类：发现节点社区（社交圈子）图级别任务图分类：预测整个图的类别（分子毒性）图回归：预测图的数值属性（分子性质）图生成：生成新图（药物分子设计）图匹配：比较图相似度（蛋白质结构比对）1.4 传统图机器学习方法回顾基于谱的方法拉普拉斯特征映射：保留局部邻域关系的降维图傅里叶变换：在谱域定义图卷积基于游走的方法DeepWalk：通过随机游走生成节点序列，应用Skip-gramNode2Vec：带偏置的随机游走，平衡BFS和DFS基于矩阵分解的方法图分解：将邻接矩阵分解为低维表示局限性：浅层模型：无法学习深层特征不可扩展：难以处理动态图和大规模图泛化能力差：无法迁移到新图结构二、图神经网络基础：消息传递框架2.1 消息传递范式图神经网络的核心是消息传递（Message Passing），包含三个关键步骤：消息传递的三个阶段消息生成（Message）：从邻居节点生成消息[m_{ij}^{(l)} = \phi{(l)}\left(h_i{(l)}, h_j^{(l)}, e_{ij}\right)]消息聚合（Aggregate）：聚合来自邻居的消息[m_i^{(l)} = \bigoplus_{j \in \mathcal{N}(i)} m_{ij}^{(l)}]节点更新（Update）：结合自身特征和聚合消息更新节点表示[h_i^{(l+1)} = \psi{(l)}\left(h_i{(l)}, m_i^{(l)}\right)]其中：hi(l)h_i^{(l)}hi(l)​：节点iii在第lll层的表示eije_{ij}eij​：边(i,j)(i,j)(i,j)的特征N(i)\mathcal{N}(i)N(i)：节点iii的邻居集合ϕ\phiϕ：消息函数⨁\bigoplus⨁：聚合函数（如sum、mean、max）ψ\psiψ：更新函数2.2 图神经网络的表达能力WL图同构测试Weisfeiler-Lehman图同构测试是衡量GNN表达能力的理论基准。WL算法步骤：初始化：为每个节点分配标签（如节点度数）迭代：a. 聚合邻居标签的多重集b. 哈希聚合结果为新标签直到标签稳定或达到最大迭代GNN与WL等价性1-WL测试：大多数GNN的表达能力不超过1-WL测试高阶GNN：通过考虑高阶结构（如子图）增强表达能力理论界限：消息传递GNN无法区分某些非同构图提升表达能力的策略位置编码：注入节点在图中的位置信息子图编码：考虑节点所在的局部子结构高阶消息传递：考虑k-hop邻居或路径信息等变网络：保证对称性的同时增强表达能力三、经典图神经网络架构3.1 图卷积网络（GCN）频域视角：谱图卷积GCN基于图谱理论，将卷积定义为傅里叶域的乘积。图拉普拉斯矩阵：[L = D - A]其中DDD为度矩阵，AAA为邻接矩阵。归一化拉普拉斯：[\tilde{L} = I - D{-1/2}AD{-1/2}]谱卷积：[g_\theta \star x = U g_\theta(\Lambda) U^T x]其中UUU是LLL的特征向量矩阵，Λ\LambdaΛ是特征值对角矩阵。空域视角：一阶近似为了计算效率，GCN使用切比雪夫多项式的一阶近似：GCN传播规则：[H^{(l+1)} = \sigma\left(\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)}\right)]其中：A~=A+I\tilde{A} = A + IA~=A+I（添加自环）D~ii=∑jA~ij\tilde{D}_{ii} = \sum_j \tilde{A}_{ij}D~ii​=∑j​A~ij​H(l)H^{(l)}H(l)：第lll层节点特征矩阵W(l)W^{(l)}W(l)：可学习权重矩阵σ\sigmaσ：激活函数（如ReLU）GCN代码实现importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassGCNLayer(nn.Module):"""GCN层实现"""def__init__(self,in_features,out_features,bias=True):super().__init__()self.linear=nn.Linear(in_features,out_features,bias=bias)defforward(self,x,adj):""" x: 节点特征矩阵 (n_nodes, in_features) adj: 归一化的邻接矩阵 (n_nodes, n_nodes) """# 线性变换x=self.linear(x)# (n_nodes, out_features)# 邻域聚合x=torch.spmm(adj,x)# 稀疏矩阵乘法returnxclassGCN(nn.Module):"""两层GCN模型"""def__init__(self,n_features,hidden_dim,n_classes,dropout=0.5):super()