蓝盟IT外包，没有完整的图的情况下，如何用图的深度学习？-IT外包官网-蓝盟集团

蓝盟IT外包，没有完整的图的情况下，如何用图的深度学习？

发布者：上海IT外包来源：http://www.lanmon.net点击数：1300

神经网络被提倡以来，在面部识别、语音识别等方面表现出了良好的性能。以往需要人工提取特征的机器学习任务可以用端到端的方法解决。
传统的深度学习方法在提取欧几里得空间数据(如图像是规则的正方形网格，语音数据是一维序列)的特征方面取得了很大的成功。但是，在很多任务中，数据不具备规则的空间结构，即非欧几里得空间下的数据，例如电子商务和推荐系统等抽象的图像，图像中的各节点与其他节点的连接不固定。当经典的CNN、RNN等框架无法解决或效果不好时，就会产生图神经网络。
近年来，人们对使用机器学习方法处理图结构数据深感兴趣。这样的数据当然多为社会科学(例如Twitter或Facebook上的用户Follow图)、化学(分子可以模型化为结合原理图)、生物学(不同生物分子间的相互作用通常模型化为相互作用组图)等图表神经网络(GNN )是通过在相邻节点之间交换信息的共享参数来进行局部操作的特别常见的图表学习方法。

但是，有时没有现成的图作为输入。在生物学中，特别是蛋白质相互作用这样的图，因为发现蛋白质相互作用的实验费用高，噪声大，所以只知道部分。因此，研究者根据数据推测图表，并对其应用GNN，称为“潜在图表学习”。潜在图学习是应用固有的，针对下游任务进行了优化。此外，这些图可能比任务本身更重要，因为它可以传达对数据的重要洞察并提供解释结果的方法。

潜图学习是学习中有空闲边缘集的图。在此设定中，输入为高维特征空间的点云。在集合上进行深度学习的方法(例如PointNet )对每个点共享可学习的point-wise函数，而潜在的学习还要求点间的信息传递。

应用于医学领域的问题时，DGM根据脑图像数据预测疾病等，显示出良好的结果。在这些任务中，研究者取得了包括人口统计学特征(年龄、性别等)和大脑成像特征在内的多个患者的电子健康记录，试图预测患者是否患有神经系统疾病。迄今为止的工作是通过对基于人口统计学特征手工构建的“患者图”进行特征扩散，显示了GNN在这种任务中的应用。 DGM提供学习图的优点，可以告诉你特定的诊断任务中特定的特征是如何相互依赖的。其次，DGM在点云分类任务中也打破了DGCNN，但优势很小。

文/上海蓝盟 IT外包专家

上一篇: 蓝盟IT外包，元宇宙：四梁八柱是什么
下一篇: 蓝盟IT外包，如何正确地实施云计算优化？
分享到：

微软云

IT采购

弱电工程

系统集成

客户故事

蓝盟IT外包，没有完整的图的情况下，如何用图的深度学习？

400-635-8089