GeniePath,螞蟻金服發表於 KDD 2018,一種可擴展的能夠學習自適應感受路徑的圖神經網路框架。定義在具有排列不變性的圖數據上(permutation invariant graph data)。其自適應路徑層(adaptive path layer)包括兩個互補的功能單元,分別用來進行廣度與深度的探索,前者用來學習一階鄰域節點的權重,後者用來提取和過濾高階鄰域內匯聚的信息。在直推(transductive)和歸納(inductive)兩種學習任務的實驗中,均達到了 state-of-the-art 的效果。
圖表示學習與圖神經網路
圖(Graph),或稱為(網路,Network),是一種由對象(節點,node)和關係(連邊,edge)構成的數據結構。 Graph Neural Networks: A Review of Methods and Applications 生活中很多數據或系統可以被建模成圖,例如社交網路,蛋白質-蛋白質交互網路,疾病傳播網路,知識圖譜等。圖強大到建模和表達能力也吸引了越來越多的學者的關注。與我們熟知的基於格點(2D gird)的圖像數據不同,圖是非歐數據(non-Euclidean data),為了能夠用神經網路進行運算,我們需要先得到節點和連邊的一種向量表示,這項技術被稱為圖表示學習(graph representation learning),或者叫網路嵌入(network embedding),下文不做區分。