在本文中，我們主要關注模型的應用，而具體的網路設計并不是我們這里特別感興趣的，
社會影響的預測
社會影響預測側重于朋友之間行為的影響，尤其是在社交網路中，例如，如果一些社交網路上的朋友買了一件衣服，他/她會不會也買呢?以社交圖作為輸入，DeepInf為用戶學習網路嵌入(一種潛在的社會表征)，結合下面(d)中手工制作的特征，對社會影響進行預測，比如v是否也會觀看廣告片段(步驟f)，在訓練程序中，將預測結果與真值進行對比，學習這個網路嵌入，
電子健康記錄建模
我們可以用圖來建立醫學本體的模型，下面是一個使用DAG(有向無環圖)表示本體的例子，
為了利用本體論，我們通過將嵌入的e?與其父節點結合使用，學習出一個為節點c?嵌入的網路g?，為了進行預測，我們將本體知識G與當前訪問的xt相乘，并通過神經網路進行傳遞，例如，它們可以是診斷預測任務或心力衰竭預測任務，利用RNN網路，該模型可以通過以往的訪問資訊進一步增強，
以下是使用t-SNE對不同疾病的最終代表g?的散點圖，
藥物發現和合成化合物
DNN可以訓練成千上萬的化學結構來編碼和解碼分子，還可以構建預測因子，根據潛在的表征來估計化學性質，例如，我們可以學習一個自編碼器來編碼一個分子的圖形表示，然后用解碼器重建分子，目的是學習一個潛在的表示，最大限度地減少重建損失，我們可以使用這個潛在表示來預測合成可及性和藥物與另一個DNN(下面的綠色網路)的相似性，
這些潛在的表達方式允許研究人員在潛在空間中通過擾亂已知的化學結構或插入分子之間的簡單操作自動生成新的化學結構，
這是麻省理工學院的另一個專案，將深度學習應用于圖形物件，從而發現新的抗生素，
Open Catalyst專案是利用人工智能發現用于可再生能源存盤的新催化劑的另一個例子，
推薦系統
物體可以在視覺上相似，但實際上是完全不同的物體，例如，下面的第一行包含的物件與左側的預期影像查詢截然不同，盡管它們在視覺上是相似的，
在Pinterest中，將pins連接在一起形成圖，pinage是一個隨機行走的GCN，它學習了Pinterest圖形中的節點(影像)嵌入，由于圖中包含數十億個物件，在如此巨大的圖中進行卷積是沒有效率的，相反，Pinterest動態地構建這些圖形，它根據訪問次數使用加權抽樣來模擬隨機行走，這個程序構建動態的和更小的圖和卷積之后被用于計算節點的嵌入，
在Uber Eats上，它使用GraphSage來進行推薦，
交通預測
DCRNN融合了交通流的空間依賴性和時間依賴性，用于交通預測，道路上的傳感器被建模為圖中的節點，DCRNN利用圖上的雙向隨機游動來捕獲空間依賴關系，利用編解碼器來捕獲時間依賴關系，
生成場景關系圖
給定一幅影像，我們可以生成描述影像中物體及其關系的場景圖，
下面的模型使用GRUs生成場景圖，并通過訊息傳遞學習迭代改進其預測，
F-net使用自底向上的聚類方法將整個圖分解成子圖，每個子圖包含幾個物件及其關系的子集，采用分治方法，大大減少了中間階段的計算量，
反過來，我們可以根據場景圖生成影像，
參考這篇論文的內容：https://arxiv.org/pdf/1804.01622.pdf
我們的模型使用圖形卷積處理輸入圖形，通過預測包圍框和分割掩碼計算場景布局，并通過級聯的細化網路將布局轉換為影像，網路對抗的形式進行訓練，以確保真實的輸出，
鏈接預測
鏈路預測網路中的兩個節點是否可能存在鏈路，在推薦系統中，我們推薦的是高度“連接”的產品，
SEAL提取了一個圍繞下面a和B的區域包圍子圖，省略了鏈接AB，然后，用GNN訓練模型來預測這種鏈路是否存在，
點云分類與分割
像激光雷達這樣的3D掃描儀會產生3D點云，一種帶有坐標的3D空間中物體的表示，以及可能的顏色資訊，
下面是一個對點云進行分類和分割的模型，
這是另一個使用RGB點云的3D物件分割的例子，
這是生成3D分割的模型，
人物互動
GPNN用圖形結構來解釋一個給定的場景，例如，它用“舔”來標記人與刀之間的聯系，
文本分類
我們可以應用GNN進行主題文本分類，包括新聞分類、Q&A、搜索結果組織等，
在下面的模型中，它在原始文本上滑動一個三個單詞的視窗，以創建單詞圖，這張圖表示三個詞范圍內的詞共現，然后，它根據每個節點的秩(節點的連接數)從圖中選擇節點，對于每個節點，它使用廣度優先搜索查找包含該節點和另外四個節點的4個節點的子圖，子圖將是有序的，這樣卷積可以一致地應用到所有子圖，
下面的圖是從這些子圖中進行標簽預測的架構，
序列標簽
句子中的單詞可以被建模為圖中的節點，我們可以計算每個節點的隱藏表示，并使用它來標記序列(序列中的單詞的標簽)，
潛在的應用包括POS-tagging、NER(命名物體識別)和語意角色標簽(SRL)，SRL給句子中的單詞或短語貼上標簽，表明它們的語意角色，如下圖所示，
因此，給定一個謂詞(“disputed”這個詞)，下面的模型會識別并標記它的所有引數，
NLP中的關系提取
下面的圖表表示了各種依賴關系，如線性背景關系(相鄰詞)、句法依賴關系和語篇關系，
這句話表明EGFR基因L858E突變的腫瘤對藥物吉非替尼有反應，如果我們將三者定義為(藥物、基因、突變)，這些句子將表明三者(gefitinib、EGFR、L858E)具有“應答”關系，
在下面的架構中，句子中的單詞是用單詞嵌入來編碼的，然后，它使用一個圖形LSTM來學習每個單詞的背景關系表示，接下來，我們將單詞(gefitinib, EGFR, L858E)的背景關系表示連接在一起，最后，我們使用一個關系分類器對這三個詞的關系進行評分(分類)，因此關系式“Respond”(說成“R?”)得分最高，
姿態估計
ST-GCN對其空間和時間鄰居進行卷積，以估計輸入視頻的姿態，
芯片設計
在晶片設計中，標準晶片單元的放置和路線會影響晶片的功率、晶片模具尺寸和性能，谷歌證明了使用GNN和強化學習來優化單元的放置，
芯片網表圖(節點型別和圖鄰接資訊)和當前放置的節點通過GNN進行輸入狀態編碼，
這些嵌入與嵌入的元資料(如電線的總數)相連接，并提供給一個神經網路，輸出是一個學習的潛在表示，并作為輸入的策略和損失進行強化學習，策略網路在當前節點所有可能的單元布局上產生一個概率分布，
粒子物理
在費米實驗室，研究人員使用GNN來分析大型強子對撞機CMS探測器產生的影像，以識別粒子物理實驗需要的有趣粒子，
絡，輸出是一個學習的潛在表示，并作為輸入的策略和損失進行強化學習，策略網路在當前節點所有可能的單元布局上產生一個概率分布，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/276311.html
標籤：AI