作者信息
【原文作者】 AI前线
【作者简介】 面向AI爱好者、开发者和科学家，提供AI领域技术资讯、一线业界实践案例、搜罗整理业界技术分享干货、AI论文解读。每周一节技术分享公开课，助力你全面拥抱人工智能技术。
【微 信 号】 ai-front
文章摘要
【关 键 词】 图神经网络、GNN、TensorFlow、异构图、监督训练
图神经网络（GNN）是一种强大的技术，用于处理图形数据，能够利用图的连接性和节点与边上的输入特征。GNN可以应用于整个图、单个节点或潜在边的预测，例如预测特定分子的反应、文档的主题或消费者的购买倾向。GNN通过编码图中的离散关系信息，弥合了传统神经网络用例之间的鸿沟。
最近，谷歌发布了TensorFlow GNN 1.0，这是一个用于构建大规模GNN的生产级库。该库支持在TensorFlow中建模和训练GNN，并能从大型数据存储中提取输入图。TensorFlow GNN（TF-GNN）专注于处理异构图，这些图使用不同类型的节点和边来表示现实世界中的对象及其关系。
TF-GNN通过tfgnn.GraphTensor类型的对象来表示图，这是一种复合张量类型，能够存储图结构及其节点、边和整体的特征。GraphTensors的可训练变换可以定义为Keras API中的Layers对象，或直接使用tfgnn.GraphTensor原语。
训练GNN涉及在较小的子图上进行，这些子图包含足够的原始数据来计算中心标记节点的GNN结果并训练模型。TF-GNN通过动态交互采样改进了子图采样过程，提高了训练效率。此外，GNN的隐藏状态通过消息传递神经网络计算，其中节点沿着传入边接收来自相邻节点的消息，并据此更新自身的隐藏状态。
TF-GNN库支持以不同的抽象级别构建和训练GNN，从使用预定义模型的高层抽象到从头开始编写GNN模型的低层抽象。此外，TF-GNN还提供了Runner工具，用于简化Keras模型训练的编排，支持分布式训练和多任务联合训练。
活动推荐部分介绍了即将于5月17日开幕的AICon全球人工智能与大模型开发与应用大会，主题为「智能未来，探索AI无限可能」。此外，还推荐了一系列与人工智能和机器学习相关的文章，涵盖了AI技术的最新进展和应用。
原文信息
【原文链接】 阅读原文
【原文字数】 2601
【阅读时长】 9分钟
