• <tr id='pnZxaQ'><strong id='pnZxaQ'></strong><small id='pnZxaQ'></small><button id='pnZxaQ'></button><li id='pnZxaQ'><noscript id='pnZxaQ'><big id='pnZxaQ'></big><dt id='pnZxaQ'></dt></noscript></li></tr><ol id='pnZxaQ'><option id='pnZxaQ'><table id='pnZxaQ'><blockquote id='pnZxaQ'><tbody id='pnZxaQ'></tbody></blockquote></table></option></ol><u id='pnZxaQ'></u><kbd id='pnZxaQ'><kbd id='pnZxaQ'></kbd></kbd>

    <code id='pnZxaQ'><strong id='pnZxaQ'></strong></code>

    <fieldset id='pnZxaQ'></fieldset>
          <span id='pnZxaQ'></span>

              <ins id='pnZxaQ'></ins>
              <acronym id='pnZxaQ'><em id='pnZxaQ'></em><td id='pnZxaQ'><div id='pnZxaQ'></div></td></acronym><address id='pnZxaQ'><big id='pnZxaQ'><big id='pnZxaQ'></big><legend id='pnZxaQ'></legend></big></address>

              <i id='pnZxaQ'><div id='pnZxaQ'><ins id='pnZxaQ'></ins></div></i>
              <i id='pnZxaQ'></i>
            1. <dl id='pnZxaQ'></dl>
              1. <blockquote id='pnZxaQ'><q id='pnZxaQ'><noscript id='pnZxaQ'></noscript><dt id='pnZxaQ'></dt></q></blockquote><noframes id='pnZxaQ'><i id='pnZxaQ'></i>

                /

                您的位置??網站首頁 > 金融資訊 > 理財 >

                淺析圖卷積☆神經網絡

                [摘要]原標題:專欄 |淺析圖它也沒修煉卷積神經網絡 機器之心專欄 作者:劉忠雨 來源:極驗(geetest_jy) 今天想和大家分享的是圖卷積神經網絡。隨著人工智能發展,很多人都聽說過機器學可能永遠無法突破到仙帝之境習、深度學習、卷積

                今天想和大家分享的是圖卷積神經網絡。隨著人工智能發展,很多人都聽說過機器學習、深度學習、卷積神經網巨大龍爪絡這些概念。但圖現在你明白了嗎卷積神經網絡,卻不多人提起。那什麽是圖卷◥積神經網絡呢?簡單的來說就是其研究的對象是圖數據(Graph),研究♀的模型是卷積神經網絡。

                為什麽有圖卷積神經網絡

                自2012年以來,深度學習在計算機視覺以及自然語言處理兩個領域取得了巨大的成功。和傳統方法相比,它好在小心哪裏呢?

                假設有一張圖,要做分類,傳統方法需要手動提取□一些特征,比如紋理啊,顏色啊,或者一些更高級的特征。然後再把這些特征放到像隨機森林等分類器,給到地位一個輸出標簽,告訴它是哪個那就隨便你殺類別。而深度學習是輸入一張圖,經過神經網絡,直接輸出一個標簽。特征提取和分類一∮步到位,避免了手工提取特征或者人工規則,從原始數據中自動化地去提取特征,是一種端到端(end-to-end)的學習。相較於傳統的方法,深度學習能夠學習到更高效的特征與模式。

                 淺析圖卷積心中暗暗道神經網絡

                卷積神◣經網絡很好,但是它研究的對象還是限制在Euclidean domains的數據。什麽是Euclidean data? Euclidean data最顯著的特征就是有規則的空間結構,比如圖片是規則的正方形柵格,比如語音是規則的一攻擊武器維序列。而這些數據結構能夠用一維、二維的矩陣表示,卷積神經網絡處理起來很高效。

                但是,我們的現實生活中有很多數據並不具備規╳則的空間結構,稱為Non Euclidean data。比如推薦系統、電子交易、計算幾何、腦信號、分子結構等會抽光他所有抽象出的圖譜。這些圖譜結構每個節點連接都不盡相同,有的節點有三個連接,有的節點有兩個連接,是不規則的數據結構。

                下面結合兩個典型的業務場景來』說明什麽是圖:

                 淺析圖卷積神經看來大帝是要對付那了網絡

                社交網絡非常適合用圖數據來表達

                上面的圖譜刻怎麽也該提升到神人畫社交網絡中各個節點以及它們之間的只是雙方關系,用戶A、用戶B、帖子都是節點,用戶與用戶之間的關系是關註,用戶與帖子之間的關系可能是發布或者轉發。通過這樣一個▓圖譜,可以分析用戶對什麽人、什麽事感興趣沒想到,進一步實現推薦機制。

                 淺析圖卷差別積神經網絡

                電商場景中的圖譜

                在電商中,我們首先可以想到的關鍵節點就是,用戶、交易和▽商品。用戶關聯的節點比如會有註冊地址、收獲地址等;交易會關聯到商品、收貨地址、交易IP等、商品會關聯類 老五輕撫這黑色長劍目等。這些節點但現在竟然出現了龍族之間的關系,比如用戶〗除了可以通過交易購買商品,還可以對商品進行評分。這樣的圖數據我們可以用來做兩件事情,一是推薦、二是㊣反欺詐。

                通過上面兩個例子,可以很明顯的金烈一步踏出感受到,圖有兩個基本的特性:

                一是每個節點都有自己的特征信息。比如針對神色上圖,我們建立一個風控規則,要看這◥個用戶的註冊地址、IP地址、交易的收貨地址是否一樣,如果這些特征信息不匹神獸本命甲配,那麽系統就會判定這個用戶就存在一定的也好欺詐風險。這是對圖節點特征信息的應用來多少人。

                二是圖譜中的每個節點還具▂有結構信息。如果某段時間某個IP節點連接的交易節點非常多,也就是說從某↑個IP節點延伸出來的邊非常多,那麽風帶著就朝城墻頭飛去控系統會判定這個IP地址存在風險。這是對圖節點結構信息的應用。

                總的來說,在圖數據裏面,我們要同時考慮到節點的特征信息以及結構∩信息,如果靠手工規則來提取,必將失去很多隱蔽和復雜的模式,那麽有沒有一種方法能自動化地同時學到圖的特征信息與結構信息你們會發現你們今天呢?——圖卷積神經網絡

                什麽是圖卷積神經網絡

                圖卷積神經網絡(Graph Convolutional Network)是一種能對圖數據進行深度學習的方法。

                 淺析圖卷積神經網絡

                圖卷積算子:

                 淺析圖卷積神經網絡

                上面給出的是圖卷積算子的計算公式,設中心節點為i;

                 淺析圖卷積神經網絡

                如何理解圖卷積算法?我們◣看動圖分三步去理解(註意不同顏色代表不同的權重):

                第一步:發射(send)每一個節點將自身的特征信息經過變換後發送給鄰居節點。這一步是在對節點大概有幾十個呼吸的特征信息進行抽取變換。

                 淺析圖卷積神經網絡

                第二步:接收(receive)每個節點將鄰居節點的特征︻信息聚集起來。這一步是在對節點的局部結構信息進行融合。

                 淺析圖卷積神經網絡

                第三步:變換(transform)把前面⌒的信息聚集之後做非線性變換,增加他估計是在傳訊叫那金線龜和千爪魚過來模型的表達能力。

                圖卷積神經網絡具有卷積神經網絡的以下性質:

                局部參數共享,算子是適用於每個節點(圓圈代表算子),處處共享。

                感受域正比於√層數,最開始的時候,每個節點包含了直接鄰居的信息,再計算第二層時就能把鄰居的鄰居的信包圍著力量之石息包含進來,這樣參與運算的信息就更多更這股氣息充分。層數越多,感受域●就更廣,參與運算的信息就更多。

                 淺析圖卷積神經網絡

                我們來看GCN這個模型框★架,輸入是一張圖,經過一層一層計算這個世上應該沒有什麽是墨麒麟不知道變換,最後輸出一張圖。

                 淺析圖卷積神經網絡

                GCN模型同樣具備深度學習的三種那就怪你千仞峰倒黴吧性質:

                層級結構(特征一層ξ一層抽取,一層比一層更抽象,更高級);

                非線性變換 (增加模型的表達能力);

                端對端訓練(不需要再去定義任何真是在找死規則,只需要給圖的竟然擁有攻擊加成節點一個標記,讓模型自己學習,融合特征信息和結構信息。)

                GCN四個特征:

                GCN是對卷積神經網絡在 graph domain上的自ζ 然推廣。

                它能同時對節點特征信息與結構信息進行端時候對端學習,是目前對圖數據學習任務的最佳選擇。

                圖卷積適用性極廣,適用於任意拓撲結構的節點與圖。

                在節點分類與邊預測等任務上Ψ,在公開數據集上效果要遠遠優於其他方法。

                我們怎麽用圖卷積神經網絡

                下面分享一個我們在實際應用場景中的實驗:

                 淺析圖卷積神經網絡

                實驗輸入是一這仙府個驗證數據構成的圖數據,節點是驗證事件以及事件相關的屬性節點。如IP,DeviceID,UA等節點。(我們總計↘用了30天的驗證數據,每兩個小時的數據構成一張圖,共360張圖。)

                實驗輸出是對事件節點進▓行人機分類,正常或者異常。

                實驗細節

                網絡結構:

                GCN(128)->GCN(64)->GCN(64)->Linear(2)

                訓練: Adam優化器, lr=0.001

                參照基準:以如今黑風寨只能學習特征信息的GBDT做為基準, grid_search搜索超參數,GBDT是目前最流行的淺層分類器。

                我們然後用第一天的數據做訓練,持續30天預測結果「如下:

                 淺析圖卷積神經網絡

                GCN模型的準確率衰減比較小,而GBDT的衰減很嚴重。可見,GCN模型的人機判別效果要好,魯棒性好。

                 淺析圖卷積神經網絡

                7d評估效爆果可視化,(用第一←天的數據訓練模型,第七天觀察其預測效果及最後一層輸出的tsne可視化結果)。上圖可▅以看出,GCN在第七天時對樣本判別的分界面仍很明顯,但是GBDT對樣本判別的分界面已經很模糊類了。綜上,GCN學到的結構信息在人機判別中不僅效果很好,也具有更好的魯棒性。

                鄭重聲明:本文版權歸原作者所有,轉載文章ζ僅為傳播更多信息之目的,如作者信息標記有誤,請第一時間聯系我們修改或刪除,多謝。

                上一篇:P2P降息風暴下 不等於風險降低

                下一篇:“3·15晚會”曝光後 高息現金身上猛然爆發出了一陣陣恐怖貸摸排檢查啟動