为什么学习Python？

很多人可能对好奇号火星探测器不是很了解，这里顺便和大家介绍一下，好奇号火星探测器是美国国家宇航局研制的一台探测火星任务的火星车，于2011年11月发射，2012年8月成功登陆火星表面。它是美国第七个火星着陆探测器，第四台火星车，也是世界上第一辆采用核动力驱动的火星车，其使命是探寻火星上的生命元素。

下面我们就来看看火星号是怎么造出来的吧：

CAD模型

整个Fusion 360项目可在CAD文件夹中找到，下载.f3z文件，然后在桌面Fusion 360中打开它。

车轮

 

4、深度与丰富度

图深度学习与计算机视觉相反的一点在于：在计算机视觉中，底层网格是固定的，而在图深度学习中，图结构是一个非常重要的考虑要素。标准图神经网络无法定位的一些复杂高阶信息(如motifs 和substructure counts)，我们有可能设计出更精细的信息传递机制来解决。比方说，研究人员可以选择配备多跳滤波器(multi-hop filters)的浅层网络，而不是运用简单的单跳卷积(1-hop convolutions)深度结构。

Michael Bronstein在他最近发表的一篇关于可伸缩初始类图神经网络(Scalable inception-like graph neutral networks, SIGN)的论文里，详尽讲解了如何使用具备多个预计算滤波器(multiple pre-computed filters)的单层线性图卷积结构，并展示了该网络与更复杂数十倍的模型想比，性能不相上下。有趣的是，计算机视觉采取的方法与图深度学习截然相反：早期使用大型滤波器(高达11×11)的浅层卷积神经网络(CNN)结构(比如AlexNet)，后来都被使用小型滤波器(一般为3×3)的深度结构所取代了。

5、评估 

目前评估图神经网络的常见方法，遭到了Oleksandr Shchur和Stephan Günnemann小组成员的严重质疑。他们聚焦于常见基准的缺陷，并指出简单模型和复杂模型在相同条件下的表现相差无几。

我们观察到的一些与深度结构相关的现象(包括性能随深度加深而降低)，可能仅是因为小型数据集的过度拟合。全新的 Open Graph Benchmark能为大规模图像提供严格的训练和测试数据拆分方法，在一定程度上解决了上述的一些问题。作者认为，研究者需要精心设计实验过程，以便更好地了解深度对图深度学习是否有用、以及在什么时候能发挥作用。

 

如上图所示，邻域呈指数增长，并出现了“信息瓶颈”现象：来自许多个领域的大量信息不得不被挤压成单个的节点特征向量，结果导致信息无法传播，且模型性能下降。

2、远程问题vs.短程问题

作者认为在探讨深度与图深度学习的关系时会涉及到远程与短程信息的处理。比方说，社交网络的预测只依赖本地领域节点的短程信息，无法添加远程信息进行改善，因此多运用浅层GNN进行预测。另一方面，分子图往往需要用到远程信息，因为分子的化学性质可能由其相斥的原子组合决定。深度GNN可能会被应用于处理远程信息，但如果图结构导致感受野呈指数增长，信息瓶颈现象则会阻止远程信息的有效传播。这也是为什么深度模型的性能无法提高。

3、理论局限性

深度结构除了能使感受野更广，还能使计算机视觉基于简单特征合成复杂特征。研究者通过将卷积神经网络从人脸图像学到的特征可视化，发现简单的几何图元逐渐变得越来越复杂，并最终能形成完成的面部结构。这个现象表明传说中的“祖母神经元”(grandmother neuron)很可能真实存在。

这些将简单特征合成为复杂特征的方法，对图来说看似天方夜谭。比方说，无论神经网络的层数有多深，都无法基于边缘角/线合成一个三角形。另一方面，研究表明，必须设定最小深度，才能使用通过网络的消息来计算图的属性。目前人们无法确定哪些图的属性可以通过浅层GNN计算、哪些必须通过深层模型计算、哪些又是任何类型的GNN都根本无法计算的。

以下是卷积神经网络基于人脸图像学习到的人脸特征示例。大家可以注意到：随着图层的加深，图像特征逐渐变得更复杂，人脸结构也更加齐全。

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!