圖學習新突破:一個統一框架連線空域和頻域

机器之心發表於2024-12-23

圖片

AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年,機器之心AIxiv專欄接收報導了2000多篇內容,覆蓋全球各大高校與企業的頂級實驗室,有效促進了學術交流與傳播。如果您有優秀的工作想要分享,歡迎投稿或者聯絡報導。投稿郵箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com

陳枳扦博士:現任密西西比州立大學計算機系助理教授,專注於圖機器學習及應用領域,在譜域視角與不確定性研究方面著力頗深。其研究成果見諸於 AAAI、IJCAI、ACM、ICDM、EMNLP、Computing Surveys、Nature Communication 等。他的科研工作承蒙美國國家科學基金會(NSF)及美國農業部(USDA)多個專案的資助,且榮獲豐田研究院傑出貢獻獎與 ACM SIGPSATIAL 2020 最佳論文獎。

張磊博士:於 2024 年畢業於弗吉尼亞理工後,以助理教授身份加盟北伊利諾伊大學。他的研究興趣廣泛覆蓋機器學習和資料探勘範疇,尤其聚焦於圖神經網路、圖結構學習、雙層最佳化、神經架構搜尋以及社交網路挖掘等方面。在 AAAI、ICDM 等頂級會議上發表多篇論文,並於 2023 年夏季斬獲弗吉尼亞理工大學的 Cunningham Fellowship。

趙亮博士:身為埃默裡大學計算機系副教授,他的研究領域橫跨資料探勘、人工智慧等多學科,在圖學習領域成果斐然。在 KDD、NeurIPS、AAAI、IJCAI、WWW 等眾多頂級會議及期刊上發表超百篇論文,屢獲殊榮,如 NSF CAREER 獎、Meta Research 獎、Amazon Research 獎等,還榮獲 ICDM 2022 最佳論文獎、ACM SIGPSATIAL 2022 最佳論文獎以及 WWW 2023 最佳論文提名等。

圖資料學習在過去幾年中取得了顯著的進展,圖神經網路(GNN)在此過程中起到了核心作用。然而,不同的 GNN 方法在概念和實現上的差異,對理解和應用圖學習演算法構成了挑戰。

針對這一問題,來自密西西比州立大學,北伊利諾伊大學和埃默裡大學的學者透過一系列教程對此問題展開了討論,這些教程展示在 CVPR 2024、CIKM 2024、SIAM Math and Data Science 2024,以及發表在 Computing Surveys 的一篇論文: 《Bridging the Gap between Spatial and Spectral Domains: A Unified Framework for Graph Neural Networks》。

圖片

論文地址:https://dl.acm.org/doi/10.1145/3627816

問題:統一框架的突破意義何在?

儘管圖神經網路已經在多個領域展示出了卓越的效能,從化學分子識別到社交網路分析,從交通網路到輸電網路,再到大腦網路。GNN 也在不同的場景下,用不同的理論和機制來設計新的圖神經網路,例如 Heat diffusion, page rank, random walk, attention model, ARMA, low-pass filtering。雖然展現了 GNN 和很多不同理論工具的連線性,但這也加劇了 GNN 領域的分裂。這些方法因為急於不同理論,無法進行理論上直接的比較。

圖片

Part 1: 圖學習理論框架的現狀

目前,圖神經網路(GNN)涵蓋了多種模型和層的型別,但總體可以分為空域(spatial)圖模型和頻域(spectral)圖模型。針對這些模型,不少研究者嘗試提出通用框架,以便在同一框架下對不同模型進行分析和比較。然而,這些框架主要集中於空域圖模型。值得注意的是,有一類研究從統一的出發點 —— 即模型的表達能力(Expressive Power)—— 對空域和頻域圖模型進行了分析。儘管如此,空域和頻域圖模型在表達能力的定義上存在差異,其分析結論和設計建議既有共通之處,也各有不同,同時兩者均存在一定的侷限性。

圖片

圖片

Part 2: 圖卷積

圖卷積可以透過譜圖理論(Spectral Graph Theory)中的圖傅立葉變換(Graph Fourier Transform)和卷積定理(Convolution Theorem)來理解。

圖傅立葉變換:圖的結構透過圖拉普拉斯矩陣(Graph Laplacian)來表示。拉普拉斯矩陣 L 可以進行特徵值分解:圖片,其中 U 是特徵向量矩陣,∧ 是特徵值的對角矩陣。圖傅立葉變換就是將圖訊號圖片轉換到頻域:圖片。其逆變換為圖片。透過這種變換,研究者可以在頻域中處理和分析圖訊號。

卷積定理:在傳統訊號處理中,時域的卷積等價於頻域的逐點相乘。對於圖訊號,同樣成立:設兩個圖訊號 X(輸入特徵)和 g(濾波器),它們的圖卷積定義為:圖片。其中,⊙ 表示頻域的逐點相乘,g 表示頻域濾波器。這表明圖卷積可以透過頻域操作實現。為了在圖神經網路中實現卷積,濾波器 g 被引數化為圖片,它是特徵值 ∧ 的函式:圖片,其中 θ 是可訓練的引數向量。卷積操作可以寫為:圖片

圖卷積網路(GCN)在頻域和空域的解釋:在頻域圖模型中,GCN 使用的是圖片的一階近似,其中圖片。這種操作本質上是一種固定的卷積操作,沒有可學習引數。由於歸一化之後的拉普拉斯矩陣的特徵值範圍為 0 到 2 之間,2-θ 的濾波器實際上是一個低通濾波器:放大低頻平滑訊號,減弱高頻訊號。在空域圖模型中, GCN 的操作可以理解為對每個節點的鄰居節點的特徵值進行求和,然後取平均值。這是一種基於鄰居特徵聚合的方式。GCN 的頻域和空域視角是等價的,但各有側重。頻域解釋更偏向理論上的訊號處理本質,而空域解釋更貼近工程實現和直觀理解。對於研究者而言,這兩種視角是相輔相成的,結合使用可以更全面地理解和改進 GCN。

Part 3: 新的統一框架:連線空域和頻域

教程中提出的框架基於一個核心假設:空間域和頻譜域的圖表示學習可以透過一個共同的數學語言進行描述。研究人員引入了一種新的圖嵌入方法,該方法結合了圖的空間連線性和節點特徵,能夠更加精準地捕捉和表示圖資料的複雜性。

圖片

其他領域裡頻域和空域的研究

在已存在的研究裡,這種空域和頻域相互連線視角並不少見。研究者用兩個例子來說明:

(1)譜聚類:從譜域的視角看譜聚類是使用譜分解 (spectral decomposition) 或則說特徵分解(eigen-decomposition),然後使用分解結果中特徵值響亮的低頻訊號來作為新的表達,然後使用較為簡單快速的 Kmeans 得到聚類結果。而另外一個新的實現,SpectralNet,設計了一個特別 loss,使用神經網路來得到幾乎一樣的結果。單神經網路是一種以降低 loss 為導向的迭代演算法,所以可以視為一種近似譜聚類的演算法。

圖片

(2)另外一個例子是著名的 Word2Vec 演算法。以 Skip-gram 為例,每個單詞都要相似於它的上下文的環境裡其他單詞。所以 Word2Vec 是一個迭代演算法。在後來的研究中,Levy 提出了一些分析,發現使用 Word2Vec 的結果裡的矩陣,能夠幾乎完整的還原單詞的共現矩陣(PPMI)。也就是說 Word2Vec 可以看作是矩陣分解演算法的一種近似演算法。

圖片

在這兩個例子中,研究者發現這種比較中,有類似於該研究提出的譜域和空域方法區別。即,一種方法側重矩陣分解,而另外一種側重於迭代近似。

Part 4: 未來方向展望

這項研究開闢了圖結構學習領域的新方向,未來的研究可以基於此框架進一步探索:

  • 計算效率:如何進一步最佳化統一框架以處理大規模圖資料,在譜論表達下,圖的資訊量依然巨大,對計算仍然是一個挑戰。

  • 統一的譜論:目前譜論主要應用於靜態圖結構,而且是簡單圖(即無向,邊只連線兩個節點)。然後圖論中仍然有大量的不同型別的圖,缺少譜論的表達,例如有向圖,超圖,或則動態圖。

  • 應用擴充套件:將統一框架應用到更多實際問題中,如生物資訊學和社會網路分析,如何解釋譜論視角下真實應用的規律,是一個值得探索的領域。

相關文章