CS224W-圖神經(jīng)網(wǎng)絡(luò) 筆記6.2:Message Passing and Node Classification - 三類主要的節(jié)點(diǎn)分類算法介紹

CS224W-圖神經(jīng)網(wǎng)絡(luò) 筆記6.2:Message Passing and Node Classification - 三類主要的節(jié)點(diǎn)分類算法介紹

本文總結(jié)之日CS224W Winter 2021只更新到了第四節(jié)乘客,所以下文會(huì)參考2021年課程的PPT并結(jié)合2019年秋季課程進(jìn)行總結(jié)以求內(nèi)容完整

課程主頁(yè):CS224W: Machine Learning with Graphs

視頻鏈接:【斯坦干茏玻】CS224W:圖機(jī)器學(xué)習(xí)( 中英字幕 | 2019秋)

[toc]

引言

前面肝箱,接著上文節(jié)點(diǎn)分類的協(xié)作分類算法思想介紹苦蒿。這節(jié)具體看看細(xì)分的三類算法。

  • 關(guān)系分類 relational classification
  • 迭代分類 iterative classification
  • 信念傳播 belief propagation

1. 概率關(guān)系分類(Probabilistic Relational Classifier)

1.1 算法過程

基本思想:每個(gè)節(jié)點(diǎn)類別的概率是其鄰接節(jié)點(diǎn)的加權(quán)平均。過程如下:

  1. 給已知和未知標(biāo)簽的節(jié)點(diǎn)分概率

    • 未知的可初始化為0冶忱,或者其他先驗(yàn)的概率值
  2. 隨機(jī)選擇節(jié)點(diǎn)更新其概率值為其鄰居的類別概率的加權(quán)平均值庆揪。

    • 直到達(dá)到收斂或最大迭代次數(shù)
圖片

模型存在問題

  • 模型不一定收斂;
  • 該模型并沒有使用到節(jié)點(diǎn)的特征信息义矛;

為什么采用隨機(jī)選擇節(jié)點(diǎn)发笔?

選擇節(jié)點(diǎn)的順序會(huì)影響最終結(jié)果,尤其是對(duì)于較小的圖(較大的圖對(duì)順序不敏感)凉翻。從經(jīng)驗(yàn)上看了讨,隨機(jī)選取在大多數(shù)情況下都達(dá)到較好的效果。

2. Iterative Classification

2.1 算法過程

因?yàn)樯鲜龇椒]有利用節(jié)點(diǎn)的特征,Iterative Classification 對(duì)這一點(diǎn)進(jìn)行完善前计。整個(gè)過程分為兩步:

  1. Bootstrap Phase

    • 為每個(gè)節(jié)點(diǎn)分配一個(gè)向量.
    • 創(chuàng)建一分類器(local classifier)f(a_i):使用節(jié)點(diǎn)自身特征胞谭,去預(yù)測(cè)每個(gè)節(jié)點(diǎn)的標(biāo)簽Y_i.;分類器可以是 SVM, kNN或者其他
  2. Iteration Phase

    • 通過計(jì)數(shù)男杈、眾數(shù)丈屹、占比、均值等方式聚合鄰居特征伶棒。并更新每個(gè)節(jié)點(diǎn)的特征向量 a_i旺垒。
    • 用分類器 預(yù)測(cè)并更新新的標(biāo)簽Y_i
    • 重復(fù)過程直到標(biāo)簽穩(wěn)定(收斂)或者達(dá)到最大迭代次數(shù)肤无。

模型存在問題:模型不一定收斂先蒋;

3. Belief Propagation

信念傳播(Belief Propagation)通過消息傳遞(passing message)的方式,解決概率圖模型中的條件概率問題宛渐。這涉及了概率圖的相關(guān)知識(shí)竞漾。算法將變量消去法中的求和操作看作一個(gè)消息傳遞過程,較好地解決了求解多個(gè)邊際分布時(shí)的重復(fù)計(jì)算問題窥翩。

3.1 什么是消息傳遞业岁?

看到 Propagation,部分朋友也會(huì)聯(lián)想到 深度學(xué)習(xí)訓(xùn)練中的正向傳播和反向傳播(back Propagation)寇蚊。對(duì)于 信念傳播(Belief Propagation)涉及信息傳遞(message passing)叨襟。對(duì)于圖上的每個(gè)節(jié)點(diǎn)僅與它的鄰居進(jìn)行信息的收集(collect)和傳遞(distribute)。也就是當(dāng)前節(jié)點(diǎn)的狀態(tài)(state)不光取決于自身還與其鄰居相關(guān)幔荒。在消息傳遞時(shí)糊闽,每個(gè)節(jié)點(diǎn)只能從其鄰接接受消息。

借用課上的例子理解爹梁。如何基于消息傳遞機(jī)制統(tǒng)計(jì)圖的節(jié)點(diǎn)數(shù)右犹?或者說如何讓圖上每個(gè)節(jié)點(diǎn)都直到圖中的節(jié)點(diǎn)數(shù)。

  • 對(duì)于圖:通過向左向右分別進(jìn)行消息傳遞姚垃,對(duì)于中間節(jié)點(diǎn)將左邊傳遞的消息和和右邊傳遞的消息的進(jìn)行匯總念链,并加上自身的1,實(shí)現(xiàn)圖上節(jié)點(diǎn)數(shù)的統(tǒng)計(jì)积糯。
  • 對(duì)于圖掂墓;通過加選中節(jié)點(diǎn)作為 根節(jié)點(diǎn)(root node),其余節(jié)點(diǎn)分別向根節(jié)點(diǎn)傳遞消息看成,最終根節(jié)點(diǎn)君编,匯總不同鄰居傳遞的消息,并加上自身的1川慌,實(shí)現(xiàn)圖上節(jié)點(diǎn)數(shù)的統(tǒng)計(jì)吃嘿。
圖片

當(dāng)圖上有環(huán)(loop/circle)時(shí)祠乃,傳統(tǒng)的BP算法不適用,這時(shí)可以采用Loopy Belief Propagation兑燥。

3.2 Loopy Belief Propagation

在闡述具體算法前需要亮瓷,先做一些符號(hào)定義。(可將下面的狀態(tài)替換為標(biāo)簽更好理解)降瞳。

  1. Label-Label potential matrix\psi :其中\psi(Y_i, Y_j)表示節(jié)點(diǎn)i是類別Y_i的條件下嘱支,其鄰接節(jié)點(diǎn)j為類別Y_j的概率;這反映的就是上面介紹的相鄰節(jié)點(diǎn)間的相關(guān)性correlation
  2. prior belief \phi\phi_i(Y_i)表示節(jié)點(diǎn)i為類別Y_i的先驗(yàn)概率挣饥;
  3. messagem_{i->j}(Y_j) : 節(jié)點(diǎn)預(yù)測(cè)其鄰接節(jié)點(diǎn)j為狀態(tài)Y_j的概率
  4. stats\mathcal{L} : 表示所有的狀態(tài)

有了上面的定義斗塘,可以得出節(jié)點(diǎn)i向其鄰接節(jié)點(diǎn)j發(fā)送的消息為:

m_{i->j}(Y_j)=\alpha\sum\psi(Y_i,Y_j)\phi_i(Y_i)\prod_{k\in{N_i\j}}m_{k->j}

對(duì)\forall\mathcal{L}

整個(gè)過程如下:

圖片

模型優(yōu)點(diǎn)

  • 實(shí)現(xiàn)簡(jiǎn)單,極易并行化亮靴;

  • 普適性強(qiáng),適用所有圖模型于置;對(duì)于有環(huán)的圖茧吊,也可以使用LBP算法,因?yàn)樵趯?shí)踐中

    • a:環(huán)的回路較長(zhǎng)八毯,
    • b:環(huán)的某些邊的相關(guān)性correlation較小

使得傳播過程中其影響被削弱搓侄。

模型存在問題:模型不一定收斂;

3.3 舉例

課上老師給了一個(gè)將LBP用于在線拍賣網(wǎng)絡(luò)的欺詐識(shí)別(NetProbe)话速。論文如下

http://www.cs.cmu.edu/~christos/PUBLICATIONS/netprobe-www07.pdf

總結(jié)

說實(shí)話讶踪,對(duì)于BP算法的理解還很表面,希望后面通過數(shù)據(jù)和代碼加深理解泊交。

參考資料

  1. https://zhuanlan.zhihu.com/p/279561894
  2. [PRML]圖模型推論(四)--循環(huán)信念傳播
  3. https://www.cnblogs.com/Leo_wl/p/3506242.html
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末乳讥,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子廓俭,更是在濱河造成了極大的恐慌云石,老刑警劉巖,帶你破解...
    沈念sama閱讀 221,820評(píng)論 6 515
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件研乒,死亡現(xiàn)場(chǎng)離奇詭異汹忠,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)雹熬,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,648評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門宽菜,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人竿报,你說我怎么就攤上這事铅乡。” “怎么了烈菌?”我有些...
    開封第一講書人閱讀 168,324評(píng)論 0 360
  • 文/不壞的土叔 我叫張陵隆判,是天一觀的道長(zhǎng)犬庇。 經(jīng)常有香客問我,道長(zhǎng)侨嘀,這世上最難降的妖魔是什么臭挽? 我笑而不...
    開封第一講書人閱讀 59,714評(píng)論 1 297
  • 正文 為了忘掉前任,我火速辦了婚禮咬腕,結(jié)果婚禮上欢峰,老公的妹妹穿的比我還像新娘。我一直安慰自己涨共,他們只是感情好纽帖,可當(dāng)我...
    茶點(diǎn)故事閱讀 68,724評(píng)論 6 397
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著举反,像睡著了一般懊直。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上火鼻,一...
    開封第一講書人閱讀 52,328評(píng)論 1 310
  • 那天室囊,我揣著相機(jī)與錄音,去河邊找鬼魁索。 笑死融撞,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的粗蔚。 我是一名探鬼主播尝偎,決...
    沈念sama閱讀 40,897評(píng)論 3 421
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼鹏控!你這毒婦竟也來了致扯?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,804評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤当辐,失蹤者是張志新(化名)和其女友劉穎急前,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體瀑构,經(jīng)...
    沈念sama閱讀 46,345評(píng)論 1 318
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡裆针,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,431評(píng)論 3 340
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了寺晌。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片世吨。...
    茶點(diǎn)故事閱讀 40,561評(píng)論 1 352
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖呻征,靈堂內(nèi)的尸體忽然破棺而出耘婚,到底是詐尸還是另有隱情,我是刑警寧澤陆赋,帶...
    沈念sama閱讀 36,238評(píng)論 5 350
  • 正文 年R本政府宣布沐祷,位于F島的核電站嚷闭,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏赖临。R本人自食惡果不足惜胞锰,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,928評(píng)論 3 334
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望兢榨。 院中可真熱鬧嗅榕,春花似錦、人聲如沸吵聪。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,417評(píng)論 0 24
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)吟逝。三九已至帽蝶,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間块攒,已是汗流浹背励稳。 一陣腳步聲響...
    開封第一講書人閱讀 33,528評(píng)論 1 272
  • 我被黑心中介騙來泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留局蚀,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 48,983評(píng)論 3 376
  • 正文 我出身青樓恕稠,卻偏偏與公主長(zhǎng)得像琅绅,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子鹅巍,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,573評(píng)論 2 359

推薦閱讀更多精彩內(nèi)容