gnn毕业论文数据

CNN用来处理传统的图像数据，而GNN模仿了CNN，希望能够处理CNN处理不了的结构化数据。 具体地说：CNN用一个可学习的卷积核提取每个卷积滑窗内的特征，也就是说在每个卷积滑窗内加权求和每个像素特征得到一个特定的值。而GNN由于每个节点的邻居数量不一样，无法直接定义统一大小的滑窗，因此在每个节点的邻居范围内，去节点特征的平均值，然后再经过线性变换得到更为精细的节点特征。与CNN不太一样的地方是：CNN的卷积核是可以学习的参数，而GNN（以GCN为例）的卷积核是对于每个节点周围邻居特征取平均。这样会导致最终CNN可以堆叠多层达到很好的特征提取效果，但是GNN堆叠多层往往会出现过度平滑的问题。 CNN只关注像素特征层面的信息提取，而GNN多了一个邻接关系，多了一个维度的信息，往往能够提高模型的结果。在医学影像中，大脑的fRMI数据可以看作图像并用CNN来分类。但是各个脑区之间的关联性对于判断整个大脑的病变程度非常重要。主流的做法是将fRMI中的脑区数据提取出来，并且根据各个脑区之间的关联紧密程度构建脑区节点之间的邻接矩阵，以此构建出整个graph。因此用GNN对大脑的fRMI影像构成的graph进行提取特征和分类，可以很好地捕获大脑脑区之间的结构信息，生成更为高质量的大脑特征进行最终的分类。 还有一些场景下，数据只能方便的抽象成graph结构，例如社交数据和分子数据。以分子数据为例，原子作为节点，原子之间的化学键作为原子之间的邻接矩阵，很容易构成一个包含节点特征矩阵和节点邻接矩阵的graph，这样抽象出来的数据更适合用GNN类型的算法处理。

GNN起源

GNN是一种连接模型，通过网络中节点之间的信息传递的方式来获取图中的依存关系，GNN通过从节点任意深度的邻居来更新该节点状态，这个状态能够表示状态信息。

对于 GNN 模型，我们引入了按图类型，传播类型和训练类型分类的变体。此外，我们还总结了几个统一表示不同变体的一般框架。在应用程序分类方面，我们将 GNN 应用程序划分为结构场景，非结构场景和其他场景，然后对每个场景中的应用程序进行详细介绍。最后，我们提出了四个开放性问题，指出了图神经网络的主要挑战和未来研究方向，包括模型深度，可扩展性，处理动态图和非结构场景的能力。

动机一：CNN的缺陷

CNN的核心特点在于：局部连接(local connection)，权重共享(shared weights)和多层叠加(multi-layer)

这些同样在图问题中非常试用，因为图结构是最典型的局部连接结构，其次，共享权重可以减少计算量，另外，多层结构是处理分级模式(hierarchical patterns)的关键。

传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。

CNN只能在欧几里得数据(Euclideandata)，比如二维图片和一维文本数据上进行处理，而这些数据只是图结构的特例而已，对于一般的图结构，则很难使用