Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à SakataMoriLab GNN勉強会第一回資料
Similaire à SakataMoriLab GNN勉強会第一回資料 (20)
Dernier
Dernier (20)
SakataMoriLab GNN勉強会第一回資料
- 1. GNN 勉強会 A Comprehensive Survey on Graph Neural Networks 坂田・森研 M1 三浦 崇寛 東京大学 技術経営戦略学専攻 坂田・森研究室2019/6/28 1
- 2. 進め方 • 各週1人発表 • どういう形でも構わない（論文読み、質問会、実装etc…) • 発表資料はGithubに格納 • https://github.com/hirotosuzuki/GnnSelfStudy • .mdファイルでのメモなどあるとありがたいです 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 2
- 3. 参考資料 • 学科同期の山田くんのKERNEL勉強会資料 • https://speakerdeck.com/roy29fuku/graph-neural-networksgai-guan • Qiita: GNNまとめ • https://qiita.com/shionhonda/items/d27b8f13f7e9232a4ae5 • https://qiita.com/shionhonda/items/0d747b00fe6ddaff26e2 • https://qiita.com/shionhonda/items/e11a9cf4699878723844 • Slideshare: Graph Attention Networks • https://www.slideshare.net/takahirokubo7792/graph-attention-network 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 3
- 4. 目次 • Graph • Neural Networkの概観 • Graph Neural Networkの歴史 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 4
- 6. Graphとは 右のグラフはこんな感じに表現 頂点集合V = {1, 2, 3, 4} 辺集合E = {{1, 2}, {1, 3}, {2, 3}, {2, 4}, {3, 4}} グラフG = (V, E) 別の言い方で定義すると E ⊆[V]2 を満たす G = (V, E) の集合の組 をグラフと呼ぶ 1 2 3 4 6
- 7. いろんなGraph 向きがある ノードがmulti type エッジがmulti typeループがあ る 7
- 8. Graphで表現できるもの ノード: 人（男性, 女性, …） エッジ: 人間関係（友人, …） 8 Structured deep models: Deep learning on graphs and beyond karate club
- 9. Graphで表現できるもの ノード: 原子（C, H, …） エッジ: 結合（単結合, …） 9 Structured deep models: Deep learning on graphs and beyond
- 10. Graphで表現できるもの ノード: タンパク質 エッジ: PPI https://academic.oup.com/peds/article/24/9/635/1556325 10 Structured deep models: Deep learning on graphs and beyond
- 11. Graphで表現できるもの ノード: エンティティ（人名, 地名, …） エッジ: 関係（所属, 親子, …） 11 Structured deep models: Deep learning on graphs and beyond
- 13. Graphで解きたい課題 完璧ではないデータの欠損部分を補完したり、新しいデータを分類したり ・ノードの分類 ・グラフの分類（ex. 化学物質の分類） ・リンクの予測（ノード同士が隣接か否か） ・エッジの分類 Structured deep models: Deep learning on graphs and beyond 13
- 14. 目次 • Graph • Neural Networkの概観 • Graph Neural Networkの歴史 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 14
- 15. Neural Networkの概観 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 15 Object detection Machine tranlation Speech recognition 特徴量設計から特徴量抽出の時代へ
- 16. Neural Networkの概観 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 16 CNN 主に画像 LSTM 主に文書 Auto Encoder 画像や文書 GPUパワーの発展 アルゴリズムの開発 大規模データの蓄積 ＋ ＋ 線形空間上では高度なタスクがこなせるようになってきた
- 17. Neural Networkの概観 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 17 Graphに適用させるには課題がいくつかある ノード数不定(しかも大きい) 隣接ノード数不定 ノード同士が独立ではなく 関係を持つリンクによって繋がっている タスク設計が特殊 リンク推定、エッジの時系列
- 18. 目次 • Graph • Neural Networkの概観 • Graph Neural Networkの歴史 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 18
- 19. GNNsの歴史 Structured deep models: Deep learning on graphs and beyond 19
- 20. GNNsの歴史① 生誕 Structured deep models: Deep learning on graphs and beyond Graphをニューラルネットで扱っ た 20
- 21. Graph Neueral Networks [Gori+ 2005] 各ノードの更新には自身と隣接ノードを利用 21 Structured deep models: Deep learning on graphs and beyond
- 22. ne[n]: ノードnと隣接するノード集合 ln: ノードnのラベル xn: ノードnの状態 on: ノードnの出力 まとめると Graph Neueral Networks [Gori+ 2005] Fwがcontraction mapping（縮尺写像）なら Fw, Gwは解を持ち、unique 22 1つ1つneighborを計算するので Computational Costが高い(扱えて数千)
- 23. GNNsの歴史② Convolution Structured deep models: Deep learning on graphs and beyond CNNの畳み込みの概念を導入して計算効率↑ 23
- 24. Convolutional Neural Networksおさらい 2012: HintonのAlexNet ディープラーニングが盛り上がったきっかけ CNNは画像など格子状のデータ構造に適用可能 Structured deep models: Deep learning on graphs and beyond 24
- 25. Graph Convolutional Networks [Duvenaud+ 2015, Li+ 2016, Scichtkrull+ 2017] CNNの畳み込みの概念をGraphに適用 グラフ構造は非定型（ノードの数、各ノードの隣接ノード数） →畳み込みの操作を適用するために工夫が必要 Wu et al., 2019 25 Euclidean non-Euclidean
- 26. Graph Convolutional Networks [Duvenaud+ 2015, Li+ 2016, Scichtkrull+ 2017] CNNの畳み込みの概念をGraphに適用 エッジを重みとして扱った Structured deep models: Deep learning on graphs and beyond 26
- 27. Relational Graph Convolutional Networks [Scichtkrull+ 2017] relation要素を追加 graph: G = (V, E, R) nodes: vi ∈V edges: (vi, r, vj) ∈E relation type: r ∈R Schlichtkrull et al., 2017 27
- 28. Relational Graph Convolutional Networks [Scichtkrull+ 2017] hi(l): l層目のノードviのhidden state Nir: ノードviに対して関係rで隣接するノード集合 ci,r: 隣接するノードの数を正規化、ex. |Nir| これを各ノードごとに並列で計算、実践的には計 算の効率のためにsparse matrixを用いる 層を重ねることで、複数のリレーションをまた ぐ ノード同士の関係を導くのに役立つ あるノード（赤）に着目した時の更新 各関係性の入出力に関わる隣接ノード・自己ルー プも計算してそれぞれ緑の行列を取得、 concat、ReLUで分類 Schlichtkrull et al., 2017 28
- 29. GNNsの歴史③ Attention Structured deep models: Deep learning on graphs and beyond attentionを取り入れた
- 30. Attention Mechanismおさらい 33 入力ごとの重要度合いを考慮した A Beginner's Guide to Attention Mechanisms and Memory Networks
- 31. Graph Attention Networks [Monti+ 2017, Hoshen 2017, Veličković+ 2018] 34 どのノードとの隣接を重視するかattentionで表現した GCNでaij(1/cij)は隣接ノード数に依存していた GraphAttention Networksではより重要なものを重み付ける Wu et al., 2019 GCN Graph Attention Networks
- 32. GNNsの歴史④ グラフの生成 Structured deep models: Deep learning on graphs and beyond Version 1: Generate graph (or predict new links) between known entities Version 2: Generate graphs from scratch (single embedding vector)
- 33. Graphで解きたい課題 “古典的* ” なもの Structured deep models: Deep learning on graphs and beyond 完璧ではないデータの欠損部分を補完したり、新しいデータを分類したり *Kipf曰く classical 33
- 34. Graphで解きたい課題 “新しい”もの 34 Graph Auto-encoders 力学的相互作用を構造を調べる ことなく、グラフから推定する 因果関係の推定や タンパク質相互作用の解明に期 待 Structured deep models: Deep learning on graphs and beyond
- 35. Graphで解きたい課題 “新しい”もの Graph Generative Networks MolGAN 分子をグラフで表現 descriminator: GANで学習 reword: RLで学習 分子の生成への応用が期待 Structured deep models: Deep learning on graphs and beyond 35
- 36. Ñetwork EmbeddingとGNNの違い • Network Embedding • Matrix factorization (隣接行列をいじって次元削減しよう) • Random Walk(ネットワークを所与として、移動情報をentityに埋めこもう) • Deep Learningを使った手法(GAE) • 分類、クラスタリング、recommendation • GNN • 畳み込み • Attention • 生成モデル 36東京大学 技術経営戦略学専攻 坂田・森研究室2019/6/28
- 37. Matrix Factorization 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 37 隣接行列 A N N = 特徴行列 U N F F 特徴行列 U-1 N F×× 固有値行列 Σ-1
- 38. Random Walk 2019/6/28 東京大学 技術経営戦略学専攻 坂田・森研究室 38 1 0 0 … 0 0 表現行列 0 1 1 … 1 0 入力 出力 × =