【机器学习】图像嵌入（Graph Embedding）笔记

最新推荐文章于 2025-06-07 11:59:03 发布

原创最新推荐文章于 2025-06-07 11:59:03 发布 · 3.2k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #算法 #人工智能 #计算机视觉 #computer vision

CV 专栏收录该内容

1 篇文章

订阅专栏

本文深入探讨了GraphEmbedding的概念，包括其分类、应用场景和常用方法。DeepWalk和SDNE是两种重要的图嵌入算法，前者通过随机游走生成节点嵌入，后者则保持一阶和二阶接近度。Graph2vec则进一步将整个图转化为向量。此外，DeepGL是一个用于图神经网络的库，支持多种深度学习框架。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 什么是Graph Embedding？

Embedding是将目标（文字、图像）降维，并在结果中保留重要信息。而Graph Embedding就是针对于图像信息的提取。
在这里插入图片描述
1.）分类：依据不同特点进行分类
a.）图片节点属性
i.）图片节点属性相同（monopartite graphs），如社交关系网。相关算法：DeepWalk
ii.）图片节点属性不同（multipartite graphs），如Alla、奶茶和阳光

b.）降维方式
i.）点嵌入（vertex embeddings）：粒度在节点层面
ii.）路径嵌入（path embeddings）：粒度在边
iii.) 图嵌入（graph embeddings）：将整个图变为一个向量

2. 为什么使用Embedding？

方便后续进行计算、算法的训练等

3. 怎么进行Embedding？

1）算法结构
a.）相似性函数（similarity function）：描述节点间相似程度
b.）编码函数（encoder function）：生成图的编码
c.）译码函数（decoder function）：重建成对相似度（？直译…），或称之为“利用encoder输出的embedding解码图的信息”
d.）损失函数（loss function)：判断模型准确率
2）技术
a.）Shallow Embeddings 浅嵌入：大多数节点嵌入依赖的方法
i.）方法1 - matrix factorization 矩阵分解：早期训练节点表示的方法主要是矩阵分解的相关方法，这些方法直接受到降维经典技术的启发。包括拉普拉斯特征分解、内积法等
限制：内存占用大（massive memory footprint），计算量大（computationally intense）
ii.）方法2 - Random walk 随机游走
前提&限制：假设相似节点聚集（local-only perspective）
iii.）限制
【1】浅嵌入效率低下——节点之间没有共享参数（Shallow embeddings are inefficient-no parameters shared between nodes）
【2】无法利用节点属性（节点不能赋予权重）
【3】扩展性差，新图像加入时，要重新训练
b.）压缩信息Compress information
i.）方法1：neighbourhood autoencoder methods

ii.）方法2：neighborhood aggregation - KNN聚类
iii）方法3：convolutional autoencoders - 图像卷积网络
3）经典算法
a.）DeepWalk：顶点嵌入方法之一
DeepWalk使用随机游走的方法生成嵌入。从选定节点开始随机游走，移动到随机邻居。

该方法基本上包括三个步骤：
抽样：使用随机游走对图进行抽样，并不会经过每个点，执行 32 到 64 次随机游走即可，好的随机游走的长度约为 40 步。
训练 skip-gram：随机游走与 word2vec 方法中的句子相当。skip-gram 网络接受来自随机游走的节点作为 one-hot 向量作为输入，并最大化预测相邻节点的概率。它通常被训练来预测大约 20 个邻居节点——左边 10 个节点，右边 10 个节点。其中，one-hot向量指
计算嵌入：嵌入是网络隐藏层的输出。DeepWalk 计算图中每个节点的嵌入。

DeepWalk 方法随机执行随机游走，这意味着嵌入不能很好地保留节点的局部邻域。Node2vec 方法解决了这个问题。

b.）SDNE结构深度网络嵌入
结构深度网络嵌入 (SDNE)不执行随机游走，同时在不同任务上的表现非常稳定。
它的设计使嵌入保持一阶和二阶接近度。一阶接近度是由边连接的节点之间的局部成对相似度。它表征了本地网络结构。如果网络中的两个节点与边缘相连，则它们是相似的。当一篇论文引用另一篇论文时，这意味着它们涉及相似的主题。二阶接近度表示节点邻域结构的相似性。它捕获了全局网络结构。如果两个节点共享许多邻居，它们往往是相似的。

c.）Graph2vec：嵌入整个图，即将全图描绘成一个向量。图嵌入最佳性能的方法
Graph2vec基于使用 skip-gram 网络的doc2vec方法的思想，用于预测子图。包括以下三个步骤。
i.）从图中采样和重新标记所有子图。子图是出现在选定节点周围的一组节点。子图中的节点距离选择的边数不远。
ii.）训练skip-gram模型。图表类似于文档。由于文档是一组单词，因此图是一组子图。在这个阶段，skip-gram 被训练以最大化预测输入图中存在的子图的概率。输入图以 one-hot 向量的形式提供。
iii.）通过在输入处提供图 ID 作为单热向量来计算嵌入。嵌入是隐藏层的结果，具有相似子图和相似结构的图具类似嵌入