大家好，图神经网络15个应用场景总结相信很多的网友都不是很明白，包括也是一样，不过没有关系，接下来就来为大家分享关于图神经网络15个应用场景总结和的一些知识点，大家可以关注收藏，免得下次来找不到哦，下面我们开始吧！
电子健康记录建模
我们可以使用图来构建医学本体模型。下面是使用DAG（有向无环图）来表示本体的示例。
为了利用本体，我们通过将嵌入e 与其父节点相结合来学习节点c 的网络g 嵌入。为了进行预测，我们将本体知识G 与当前访问的xt 相乘，并将其传递给神经网络。例如，它们可以是诊断预测任务或心力衰竭预测任务。使用RNN 网络，可以利用过去的访问信息进一步增强模型。
下面是使用t-SNE 对不同疾病的最终代表性g 的散点图。
药物发现和合成化合物
DNN 可以在数千种化学结构上进行训练，以对分子进行编码和解码，并且可以构建预测器来根据底层表示来估计化学性质。例如，我们可以学习自动编码器来编码分子的图形表示，然后使用解码器来重建分子。目标是学习最小化重建损失的潜在表示。我们可以使用这种潜在表示来预测合成可及性和药物与另一个DNN（下面的绿色网络）的相似性。
这些潜在表达使研究人员能够通过扰动已知的化学结构或在分子之间插入简单的操作，在潜在空间中自动生成新的化学结构。
这是麻省理工学院的另一个项目，将深度学习应用于图形对象以发现新的抗生素。
开放催化剂项目是利用人工智能发现可再生能源存储新催化剂的另一个例子。
推荐系统
对象可能在视觉上相似，但实际上是完全不同的对象。例如，下面的第一行包含与左侧预期图像查询非常不同的对象，尽管它们在视觉上相似。
在Pinterest 中，引脚连接在一起形成图表。 Pinage 是一个随机游走GCN，可以学习Pinterest 图中的节点（图像）嵌入。由于图包含数十亿个对象，因此在如此巨大的图上执行卷积效率很低。相反，Pinterest 动态构建这些图形。它使用基于访问次数的加权采样来模拟随机游走。该过程构建动态且较小的图，然后使用卷积来计算节点嵌入。
在Uber Eats 上，它使用GraphSage 进行推荐。
交通预测
DCRNN 综合交通流的空间依赖性和时间依赖性进行交通预测。道路上的传感器被建模为图中的节点。 DCRNN 利用图上的双向随机游走来捕获空间依赖性，并利用编解码器来捕获时间依赖性。
生成场景关系图
给定一个图像，我们可以生成一个场景图来描述图像中的对象及其关系。
下面的模型使用GRU 生成场景图，并通过消息传递学习迭代改进其预测。
F-net使用自下而上的聚类方法将整个图分解为子图，每个子图包含多个对象子集及其关系。采用分而治之的方法，大大减少了中间阶段的计算量。
反过来，我们可以从场景图中生成图像。
引用这篇论文：https://arxiv.org/pdf/1804.01622.pdf
我们的模型使用图卷积处理输入图，通过预测边界框和分割掩模来计算场景布局，并通过级联细化网络将布局转换为图像。该网络以对抗性方式进行训练，以确保真实的输出。
链接预测
链路预测网络中两个节点之间是否可能存在链路。在推荐系统中，我们推荐高度“关联”的产品。
SEAL 提取下面围绕a 和B 的局部边界子图，省略链接AB。然后，使用GNN 训练模型来预测此类链接是否存在。
点云分类与分割
激光雷达等3D 扫描仪可生成3D 点云，即3D 空间中对象的表示形式，其中包含坐标以及可能的颜色信息。
下面是一个用于分类和分割点云的模型。
这是使用RGB 点云进行3D 对象分割的另一个示例。
这是生成3D 分割的模型。
人物交互
GPNN 使用图结构来解释给定场景。例如，它用“舔”来标记人和刀之间的联系。
文本分类
我们可以应用GNN进行主题文本分类，包括新闻分类、QA、搜索结果组织等。
在下面的模型中，它在原始文本上滑动一个三单词窗口以创建单词图。该图表示三个单词范围内的单词共现。然后，它根据每个节点的排名（节点具有的连接数）从图中选择节点。对于每个节点，它使用广度优先搜索来查找包含该节点和其他四个节点的4 节点子图。子图将被排序，以便卷积可以一致地应用于所有子图。
下图是从这些子图进行标签预测的架构。
序列标签
句子中的单词可以建模为图中的节点，我们可以计算每个节点的隐藏表示并用它来标记序列（序列中单词的标签）。
潜在的应用包括POS 标记、NER（命名实体识别）和语义角色标签(SRL)。 SRL 对句子中的单词或短语进行标记以指示其语义角色，如下图所示。
因此，给定一个谓词（“有争议”一词），下面的模型会识别并标记其所有参数。
NLP中的关系提取
下图表示各种依赖关系，例如线性上下文（相邻词）、句法依赖关系和话语关系。
这句话表明EGFR基因L858E突变的肿瘤对药物吉非替尼有反应。如果我们将三者定义为（药物、基因、突变），这些句子将表明三者（吉非替尼、EGFR、L858E）具有“响应”关系。
在下面的架构中，句子中的单词使用单词嵌入进行编码。然后，它使用图LSTM 来学习每个单词的上下文表示。接下来，我们连接单词（gefitinib、EGFR、L858E）的上下文表示。最后，我们使用关系分类器对这三个词之间的关系进行评分（分类）。因此，关系“响应”（例如“R”）具有最高得分。
姿态估计
ST-GCN 对其空间和时间邻居进行卷积，以估计输入视频的姿态。
芯片设计
在晶圆设计中，标准晶圆单元的布局和布线会影响晶圆功率、晶圆芯片尺寸和性能。 Google 演示了使用GNN 和强化学习来优化单元放置。
芯片网表图（节点类型和图邻接信息）和当前放置的节点是通过GNN编码的输入状态。
这些嵌入与嵌入元数据（例如电线总数）连接并馈送到神经网络。输出是学习到的潜在表示，并用作强化学习的策略和损失的输入。策略网络生成当前节点所有可能的单元布局的概率分布。
粒子物理
在费米实验室，研究人员使用GNN 分析大型强子对撞机CMS 探测器生成的图像，以识别粒子物理实验所需的有趣粒子。
原创文章，作者：小su，如若转载，请注明出处：https://www.sudun.com/ask/159917.html
用户评论
将妓就计
这篇文章写的真棒！一下子让我明白了图神经网络到底是什么，看了 应用场景也真是眼开了。之前只知道它在推荐系统上用的多，现在知道还有这么多应用，太让人震惊了！
有16位网友表示赞同！
凉城°
图神经网络感觉真的很厉害，可以应用在这么多的领域简直令人难以置信。我觉得药物研发和金融欺诈检测这两个场景是最吸引我的，我以后一定要好好学习图神经网络。
有13位网友表示赞同！
打个酱油卖个萌
虽然这篇文章介绍的应用场景很棒，但我觉得文章中对每一类的解释还不够深入啊。希望以后能补充更多具体的例子和技术细节，这样理解起来会更加清晰易懂。
有16位网友表示赞同！
如梦初醒
图神经网络确实很新颖，尤其像社交关系分析那方面很有用，但是感觉应用上还比较有限吧？不知道未来能不能在更多领域取代传统方法，比如图像识别的应用场景。
有19位网友表示赞同！
冷眼旁观i
这篇文章的标题也太吸引人了！我本来对图神经网络一点也不了解，看了之后才知道它用途广泛啊。 不过文章里有些专业术语还是有点困难理解，希望能有更多的解释和举例说明。
有7位网友表示赞同！
毒舌妖后
这篇总结写的真是太棒了！把各种应用场景都概括了一遍，而且每个应用的描述都比较直观易懂。现在我对图神经网络有了更深的理解了。（点赞！）
有20位网友表示赞同！
今非昔比'
图这篇文章给我开眼界了！之前只知道图神经网络在推荐系统上用得多，没想到还有这么多其他的应用场景啊！未来应该会有更多更厉害的应用诞生吧！太期待了!
有17位网友表示赞同！
墨城烟柳
我觉得文章中提到的化学物质预测和生物医学信号处理这两个应用场景最有趣。 希望以后能看到更多这方面的研究成果，为解决实际问题做出贡献。
有20位网友表示赞同！
灬一抹丶苍白
这篇文章写的比较浅层，对于图神经网络的理解并没有深入到原理层面。我希望能够看到更详细的技术介绍和算法模型的解释。
有12位网友表示赞同！
ok绷遮不住我颓废的伤あ
总的来说这篇总结还算不错，把常用的应用场景都概括出来了。但希望以后能添加一些实际案例和数据分析结果，这样更能直观地展示图神经网络的强大能力!
有7位网友表示赞同！
猫腻
对于我这种入门小白来说，这篇文章讲解的还挺清晰易懂的。不过我觉得每个应用场景还是少了一些细节描述，比如具体的模型架构、数据处理方法等等。
有20位网友表示赞同！
花花世界总是那么虚伪﹌
这篇总结让我对图神经网络有了初步的了解，但是感觉还有很多知识点没有触及到。我更希望能看到一些更深入的分析和探讨，例如图神经网络的局限性、未来的发展趋势等等。
有20位网友表示赞同！
采姑娘的小蘑菇
图神经网络在推荐系统上的应用确实很成熟，但我觉得它的最大潜力应该还是在未被充分探索的领域，比如医疗诊断、科学发现等方面。
有18位网友表示赞同！
|赤;焰﹏゛
这篇文章让我对未来图神经网络的发展充满期待！我相信它会在越来越多的领域发挥着重要的作用，为人类社会带来更多的价值。
有11位网友表示赞同！
喜欢梅西
我觉得文章里提到的很多应用场景都非常实用，特别是一些新的应用领域，比如无人驾驶和自驱车。 我好奇这些新技术会如何改变我们的生活!
有15位网友表示赞同！
青山暮雪
我比较感兴趣的是图神经网络在反欺诈领域的应用，因为现在金融诈骗案件越来越多，这种技术能够帮助我们更加有效地防范损失。
有17位网友表示赞同！
七级床震
虽然这篇文章写的不错，但是我觉得图神经网络的学习难度还是挺高，需要一定的数学和编程基础才能入门。希望可以出现更易于理解的学习教程，方便更多人学习!
有14位网友表示赞同！