江苏龙网

  1. 首页 > 资讯 > 科技 > >

|没有完整图时，如何使用图深度学习？需要了解流形学习2.0版本( 三 )



潜图学习可以看作是流形学习问题的一种现代设置 ， 在这里 ， 图被学习并用作某些下游任务优化的端到端 GNN pipeline 的一部分 。
这种方法的吸引力在于：将单个数据点和它们所在的空间结合在相同的 pipeline 中 。 在图像的例子中 ， 我们可以使用传统的 CNN 从每个图像中提取视觉特征 ， 并使用 GNN 来建模它们之间的关系 。
|没有完整图时，如何使用图深度学习？需要了解流形学习2.0版本
本文插图

PeerNet 是标准 CNN 中基于图的正则化层 ， 可聚合来自多个图像的相似像素 ， 从而降低对对抗性扰动的敏感性 。 （图源 [12]）
潜图学习的其它应用
潜图学习还有许多其他有趣的应用 。
第一是少样本学习：利用基于图的方法从少量样本中进行归纳（重点：只需要少量带有标注的样本） 。 在计算机视觉中 ， 数据标注量从几千到上万不等 ， 成本很高 ， 因此少样本学习变得越来越重要 。
第二是生物学领域：人们经常通过实验观察生物分子如蛋白质的表达水平 ， 并试图重建它们的相互作用和信号网络 。
第三是对物理系统的分析：其中图可以描述多个对象之间的交互作用 。 尤其是处理复杂粒子相互作用的物理学家 ， 最近对基于图的方法表现出了浓厚的兴趣 。
第四是 NLP 问题：在 NLP 领域中 ， 图神经网络可以看作是 transformer 架构的泛化 。 所提到的许多问题也提出了在图结构中加入先验知识 ， 这一结构在很大程度上仍然是开放的：例如 ， 人们可能希望强迫图遵守某些构造规则或与某些统计模型兼容 。
潜图学习 ， 虽然不是全新的领域 ， 但它为旧问题提供了新的视角 。 对于图机器学习问题而言 ， 这无疑是一个有趣的设置 ， 为 GNN 研究人员提供了新的方向 。
参考链接：
https://towardsdatascience.com/manifold-learning-2-99a25eeb677d
【|没有完整图时，如何使用图深度学习？需要了解流形学习2.0版本】https://zhuanlan.zhihu.com/p/75307407?from_voters_page=true


推荐阅读


上一篇：|美团开店首秀：全自动拣货，95%订单全无人配送

下一篇：|iPad Pro妙控键盘的平价替代：Brydge Pro+