图

图是一种通用的数据表示形式。现实世界中有许多数据可以表示为图的形式，也有很多数据可以转换车过图的形式。
​​​​​​​​​​​​
尽管有的数据转换成图结构会有一定损耗，但是这这样的损耗不会影响下游任务的效果。如：连接预测；节点分类（根据与之相连的带标签节点来预测其标签）；图级分类；图生成，图对比等。

如何利用图的信息提升任务的效果

图数据不是独立同分布数据，节点间是存在联系的，因此不适用于传统基于独立同分布假设的机器学习方法。

一些方法

将图数据转换成传统数据–图上的特征提取

深度学习在图像处理上取得了很多成果，因为深度学习能够很好的完成特征学习。因此如果能将深度学习应用到图数据上，那么就可以直接对图数据进行特征学习。

深度学习应用在图上的挑战

• 节点的邻居可以是任意数量
• 拓扑结构更复杂
• 节点没有固定的顺序

图深度学习的应用价值

• 推荐系统
  参考：应用在阿里巴巴的图神经网络算法
  

• 交通预测（路段作为节点，路段之间的关系为边）
  参考：应用在谷歌地图的交通预测方案
  

• 药物发现
  参考：抗生素发现的深度学习方法
  

图特征提取

特征工程

给定图，手动提取特征（包括度，中心性等）
局限性：手动提取，过程费时费力；无法考虑下游任务的特殊要求，特征不全面

特征学习

给定图，自动学习节点或图的表示方法
优点：可以根据下游任务来优化特征提取

方法

特征选择——保留主要（重要）特征，实现特征降维（保留了原始数据的可解释性，保持原数据物理意义不变等）
局限性：从原始特征空间选取特征，不能产生新的特征表示。

特征学习——从原始特征空间中学习新的特征表示，虽然得到的新的特征表示不具有物理意义，但是有更强的表示有助于下游任务。

图表示学习
第一代：数据降维
图表示->矩阵形式->对矩阵的分解可以用在图上

第二代：图嵌入
词嵌入->图嵌入

第三代：图深度学习
参考：图卷积神经网络

图表示学习的每一代之间都是紧密联系的。

图理论简介

所有深度学习模型都是端对端的模型
第二代图表示学习–一个通用框架–学习现有图嵌入方法

图神经网络

输入：图结构-邻接矩阵，每个节点（包含属性信息）
图滤波操作可以得到节点的表示；图池化操作可以得到图的表示。

图滤波是想通过图的拓扑结构来对图的节点信息进行增强。图滤波操作不会改变图的拓扑结构，即邻接矩阵不变，但特征会发生变化
图滤波分为两大类：基于谱域的图滤波，基于空间域的图滤波

图池化希望通过节点的表示来得到图的表示，通常将图不断的变小（池化），最后变成整个图只有一个节点。一步池化以后，图的结构会发生变化，通常是变小（粗糙化）->通过不断池化，就可以通过一个节点或几个节点表示整个图。
图池化分为两种：平面图池化->一步到位；层次图池化->一层一层进行池化

鲁棒性：图是脆弱的，一些微小的结构变化都可能会导致预测结果变化。

图神经网络可拓展性–逐点采样法；逐层采样法；子图采样法
图上的深度学习模型 --参考：MolGAN: An implicit generative model for small molecular graphs

图深度学习的应用

自然语言处理

• 知识图谱补全
  参考：Introduction to Question Answering over Knowledge Graphs
• 节点重要性预测
• 跨语言知识图谱对齐

推荐系统

数据挖掘

• 社会影响力预测
• 社交表征学习
• 政治观点预测

计算机视觉
参考：
用图卷积网络进行多标签图像识别
PointFlow：具有连续标准化流的 3D 点云生成

生物医疗

图的不足：浅层网络结构，层数增加存在过度平滑问题

可解释性

参考：GNNExplainer: Generating Explanations for Graph Neural Networks