ICLR 2022 | GNN | 论文速读，带你玩转图神经网络（3-4）

2023-09-12 08:05:10

图神经网络的应用：解锁复杂问题的解决方案

导读

图神经网络（GNN）近年来成为机器学习领域的一颗新星，其强大的表示复杂数据的能力使其在各个行业找到了广泛的应用。本博客将带你领略 GNN 在生物医药、社交网络和网络安全领域的三篇最新研究成果，揭示 GNN 在解决现实问题中的巨大潜力。

异构图谱嵌入：揭示生物医药知识图谱的奥秘

异构知识图谱（HetKG）是生物医药领域的关键数据源，包含着丰富的生物实体和关系。HG-Transformer 模型采用自注意力机制和异构节点更新策略，有效地对 HetKG 进行嵌入，捕捉图谱中的语义信息，为理解和利用生物医学知识铺平了道路。

import torch
from torch_geometric.nn import GATConv

class HGTransformer(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(HGTransformer, self).__init__()
        self.conv = GATConv(in_channels, out_channels)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv(x, edge_index)
        return x

节点级对比学习：社交网络的自监督之旅

NodeCLR 方法开辟了 GNN 自监督学习的新篇章，采用节点级对比学习策略，通过构造正负样本对来最大化正样本相似度，最小化正负样本相似度。这一创新提高了 GNN 的表征能力，在社交网络数据集上取得了优异的性能。

import torch
from torch_geometric.nn import GraphConv

class NodeCLR(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(NodeCLR, self).__init__()
        self.conv = GraphConv(in_channels, out_channels)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv(x, edge_index)
        return x

鲁棒图分类：抵御网络安全威胁

R-GCN 模型为 GNN 带来了鲁棒性，使其能够抵抗对抗性攻击。通过引入对抗性训练，R-GCN 学会了从扰动后的图谱中提取鲁棒特征，有效提高了图分类任务中的安全性。

import torch
from torch_geometric.nn import GCNConv

class RGCN(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(RGCN, self).__init__()
        self.conv = GCNConv(in_channels, out_channels)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv(x, edge_index)
        return x