圖神經網絡(Graph NN)是近來的一大研究熱點，尤其是DeepMind提出的「Graph Networks」，號稱有望讓深度學習實現因果推理。但這篇論文晦澀難懂，復星集團首席AI科學家、大數醫達創始人鄧侃博士，在清華俞士綸教授團隊對GNN綜述清晰分類的基礎上，解析DeepMind「圖網絡」的意義。
圖神經網絡（GNN）的出現
回顧 2018 年機器學習的進展，2018年6月 DeepMind 團隊發表的論文 「Relational inductive biases, deep learning, and graph networks」，是一篇重要的論文，引起業界熱議。
隨後，很多學者沿着他們的思路，繼續研究，其中包括清華大學孫茂松團隊。他們於2018年12月，發表了一篇綜述，題目是「Graph neural networks: A review of methods and applications」。
2019年1月，俞士綸教授團隊，也寫了一篇綜述，這篇綜述的覆蓋面更全面，題目是「A Comprehensive Survey on Graph Neural Networks」。
DeepMind 團隊的這篇論文，引起業界這麼熱烈的關注，或許有三個原因：
- 聲望：自從 AlphaGo 戰勝李世乭以後，DeepMind 享譽業界，成為機器學習業界的領軍團隊，DeepMind 團隊發表的論文，受到同行普遍關注；
- 開源：DeepMind 團隊發表論文 [1] 以後不久，就在 Github 上開源了他們開發的軟件系統，項目名稱叫 Graph Nets [4]；
- 主題：聲望和開源，都很重要，但是並不是被業界熱議的最主要的原因。最主要的原因是主題，DeepMind 團隊研究的主題是，如何用深度學習方法處理圖譜。
什麼是圖神經網絡（GNN）
圖譜 (Graph) 由點 (Node) 和邊 (Edge) 組成。
圖譜是一個重要的數學模型，可以用來解決很多問題。
譬如我們把城市地鐵線路圖當成圖譜，每個地鐵站就是一個點，相鄰的地鐵站之間的連線就是邊，輸入起點到終點，我們可以通過圖譜的計算，計算出從起點到終點，時間最短、換乘次數最少的行程路線。
又譬如 Google 和百度的搜索引擎，搜索引擎把世界上每個網站的每個網頁，都當成圖譜中的一個點。每個網頁里，經常會有鏈接，引用其它網站的網頁，每個鏈接都是圖譜中的一條邊。哪個網頁被引用得越多，就說明這個網頁越靠譜，於是，在搜索結果的排名也就越靠前。
圖譜的操作，仍然有許多問題有待解決。
譬如輸入幾億條滴滴司機行進的路線，每條行進路線是按時間排列的一連串（時間、GPS經緯度）數組。如何把幾億條行進路線，疊加在一起，構建城市地圖？
不妨把地圖也當成一個圖譜，每個交叉路口，都是一個點，連接相鄰的兩個交叉路口，是一條邊。
貌似很簡單，但是細節很麻煩。
舉個例子，交叉路口有很多形式，不僅有十字路口，還有五角場、六道口，還有環形道立交橋——如何從多條路徑中，確定交叉路口的中心位置？
GNN 的價值
把深度學習，用來處理圖譜，能夠擴大我們對圖譜的處理能力。
深度學習在圖像和文本的處理方面，已經取得了巨大的成功。如何擴大深度學習的成果，使之應用於圖譜處理？
圖像由橫平豎直的像素矩陣組成。如果換一個角度，把每個像素視為圖譜中的一個點，每個像素點與它周邊的 8 個相鄰像素之間都有邊，而且每條邊都等長。通過這個視角，重新審視圖像，圖像是廣義圖譜的一個特例。
處理圖像的諸多深度學習手段，都可以改頭換面，應用於廣義的圖譜，譬如 convolution、residual、dropout、pooling、attention、encoder–decoder 等等。這就是深度學習圖譜處理的最初想法，很樸實很簡單。
雖然最初想法很簡單，但是深入到細節，各種挑戰層出不窮。每種挑戰，都意味着更強大的技術能力，都孕育着更有潛力的應用場景。
深度學習圖譜處理這個研究方向，業界沒有統一的稱謂。
強調圖譜的數學屬性的團隊，把這個研究方向命名為 Geometric Deep Learning。孫茂松團隊和俞士綸團隊，強調神經網絡在圖譜處理中的重要性，強調思想來源，他們把這個方向命名為 Graph Neural Networks。DeepMind 團隊卻反對綁定特定技術手段，他們使用更抽象的名稱，Graph Networks。
命名不那麼重要，但是用哪種方法去梳理這個領域的諸多進展，卻很重要。把各個學派的目標定位和技術方法，梳理清楚，有利於加強同行之間的相互理解，有利於促進同行之間的未來合作。
深度學習圖譜的5個方向
俞士綸團隊把深度學習圖譜處理的諸多進展，梳理成 5 個子方向，非常清晰好懂。
- Graph Convolution Networks
- Graph Attention Networks
- Graph Embedding
- Graph Generative Networks
- Graph Spatial-temporal Networks
先說 Graph Convolution Networks (GCNs)。
GCN 把 CNN 諸般武器，應用於廣義圖譜。CNN 主要分為四個任務，
- 點與點之間的融合。在圖像領域，點與點之間的融合主要通過卷積技術 (convolution) 來實現。在廣義圖譜里，點與點之間的關係，用邊來表達。所以，在廣義圖譜里，點點融合，有比卷積更強大的辦法。Messsage passing [5] 就是一種更強大的辦法。
- 分層抽象。CNN 使用 convolution 的辦法，從原始像素矩陣中，逐層提煉出更精鍊更抽象的特徵。更高層的點，不再是孤立的點，而是融合了相鄰區域中其它點的屬性。融合鄰點的辦法，也可以應用於廣義圖譜中。
- 特徵提煉。CNN 使用 pooling 等手段，從相鄰原始像素中，提煉邊緣。從相鄰邊緣中，提煉實體輪廓。從相鄰實體中，提煉更高層更抽象的實體。CNN 通常把 convolution 和 pooling 交替使用，構建結構更複雜，功能更強大的神經網絡。對於廣義圖譜，也可以融匯 Messsage passing 和 Pooling，構建多層圖譜。
- 輸出層。CNN 通常使用 softmax 等手段，對整張圖像進行分類，識別圖譜的語義內涵。對於廣義圖譜來說，輸出的結果更多樣，不僅可以對於整個圖譜，輸出分類等等結果。而且也可以預測圖譜中某個特定的點的值，也可以預測某條邊的值。
Graph Attention Networks 要解決的問題，與 GCN 類似，區別在於點點融合、多層抽象的方法。
Graph Convolution Networks 使用卷積方式，實現點點融合和分層抽象。Convolution 卷積方式僅僅適用於融合相鄰的點，而 attention 聚焦方式卻不限於相鄰的點，每個點可以融合整個圖譜中所有其它點，不管是否相鄰，是否融合如何融合，取決於點與點之間的關聯強弱。
Attention 能力更強大，但是對於算力的要求更高，因為需要計算整個圖譜中任意兩個點之間的關聯強弱。所以 Graph Attention Networks 研究的重點，是如何降低計算成本，或者通過並行計算，提高計算效率。
GCN 以外的其他 4 種圖譜神經網絡
Graph Embedding 要解決的問題，是給圖譜中每個點每條邊，賦予一個數值張量。圖像不存在這個問題，因為像素天生是數值張量。但是，文本由文字詞彙語句段落構成，需要把文字詞彙，轉化成數值張量，才能使用深度學習的諸多算法。
如果把文本中的每個文字或詞彙，當成圖譜中的一個點，同時把詞與詞之間的語法語義關係，當成圖譜中的一條邊，那麼語句和段落，就等同於行走在文本圖譜中的一條行進路徑。
如果能夠給每個文字和詞彙，都賦予一個貼切的數值張量，那麼語句和段落對應的行進路徑，多半是最短路徑。
有多種實現 Graph Embedding 的辦法，其中效果比較好的辦法是 Autoencoder。用 GCN 的辦法，把圖譜的點和邊轉換成數值張量，這個過程稱為編碼 (encoding)，然後通過計算點與點之間的距離，把數值張量集合，反轉為圖譜，這個過程稱為解碼 (decoding)。通過不斷地調參，讓解碼得到的圖譜，越來越趨近於原始圖譜，這個過程稱為訓練。
Graph Embedding 給圖譜中的每個點每條邊，賦予貼切的數值張量，但是它不解決圖譜的結構問題。
如果輸入大量的圖譜行進路徑，如何從這些行進路徑中，識別哪些點與哪些點之間有連邊？難度更大的問題是，如果沒有行進路徑，輸入的訓練數據是圖譜的局部，以及與之對應的圖譜的特性，如何把局部拼接成圖譜全貌？這些問題是 Graph Generative Networks 要解決的問題。
Graph Generative Networks 比較有潛力的實現方法，是使用 Generative Adversarial Networks (GAN)。
GAN 由生成器 (generator) 和辨別器 (discriminator) 兩部分構成：1. 從訓練數據中，譬如海量行進路徑，生成器猜測數據背後的圖譜應該長什麼樣；2. 用生成出來的圖譜，偽造一批行進路徑；3. 從大量偽造的路徑和真實的路徑中，挑選幾條路徑，讓辨別器識別哪幾條路徑是偽造的。
如果辨別器傻傻分不清誰是偽造路徑，誰是真實路徑，說明生成器生成出的圖譜，很接近於真實圖譜。
動態圖譜
以上我們討論了針對靜態圖譜的若干問題，但是圖譜有時候是動態的，譬如地圖中表現的道路是靜態的，但是路況是動態的。
如何預測春節期間，北京天安門附近的交通擁堵情況？解決這個問題，不僅要考慮空間 spatial 的因素，譬如天安門周邊的道路結構，也要考慮時間 temporal 的因素，譬如往年春節期間該地區交通擁堵情況。這就是 Graph Spatial-temporal Networks 要解決的問題之一。
Graph Spatial-temporal Networks 還能解決其它問題，譬如輸入一段踢球的視頻，如何在每一幀圖像中，識別足球的位置？這個問題的難點在於，在視頻的某些幀中，足球有可能是看不見的，譬如被球員的腿遮擋了。
解決時間序列問題的通常思路，是 RNN，包括 LSTM 和 GRU 等等。
DeepMind 團隊在 RNN 基礎上，又添加了編碼和解碼 (encoder-decoder) 機制。
DeepMind想表達什麼？
在 DeepMind 團隊的這篇論文里[1]，他們聲稱自己的工作，「part position paper, part review, and part unification」，既是提案，又是綜述，又是融合。這話怎麼理解？
DeepMind聯合谷歌大腦、MIT等機構27位作者發表重磅論文，提出「圖網絡」（Graph network），將端到端學習與歸納推理相結合，有望解決深度學習無法進行關係推理的問題。
前文說到，俞士綸團隊把深度學習圖譜處理的諸多進展，梳理成 5 個子方向：1) Graph Convolution Networks、2) Graph Attention Networks、3) Graph Embedding、4) Graph Generative Networks、5) Graph Spatial-temporal Networks。
DeepMind 團隊在 5 個子方向中着力解決後 4 個方向，分別是 Graph Attention Networks、Graph Embedding、Graph Generative Networks 和 Graph Spatial-temporal Networks。他們把這四個方向的成果，「融合」成統一的框架，命名為 Graph Networks。
在他們的論文中，對這個四個子方向沿途的諸多成果，做了「綜述」，但是並沒有綜述 Graph Convolution Networks 方向的成果。然後他們從這四個子方向的諸多成果中，挑選出了他們認為最有潛力的方法，形成自己的「提案」，這就是他們開源的代碼 [4]。
雖然論文中，他們聲稱他們的提案解決了四個子方向的問題，但是查看他們開源的代碼，發現其實他們着力解決的是後兩個子方向，Graph Attention Networks 和 Graph Spatial-temporal Networks。
DeepMind 的思路是這樣的：首先，把 [5] 的 message passing 點點融合的機制，與 [6] 圖譜全局的聚焦機制相結合，構建通用的 graph block 模塊；其次，把 LSTM 要素融進 encoder-decoder 框架，構建時間序列機制；最後，把 graph block 模塊融進 encoder-decoder 框架，形成 Graph Spatial-temporal Networks 通用系統。
為什麼 DeepMind 的成果很重要？
一、深度學習過程的解釋
從原理上講，深度學習譬如 CNN 的成果，來自於對圖像的不斷抽象。也就是，從原始的像素矩陣中，抽象出線段。從首尾相連的相鄰線段中，抽象出實體的輪廓。從輪廓抽象出實體，從實體抽象出語義。
但是，如果窺探 CNN 每一層的中間結果，實際上很難明確，究竟是哪一層的哪些節點，抽象出了輪廓，也不知道哪一層的哪些節點，抽象出了實體。總而言之，CNN 的網絡結構是個迷，無法明確地解釋網絡結構隱藏的工作過程的細節。
無法解釋工作過程的細節，也就談不上人為干預。如果 CNN 出了問題，只好重新訓練。但重新訓練後的結果，是否能達到期待的效果，無法事先語料。往往按下葫蘆浮起瓢，解決了這個缺陷，卻引發了其它缺陷。
反過來說，如果能明確地搞清楚 CNN 工作過程的細節，就可以有針對性地調整個別層次的個別節點的參數，事先人為精準干預。
二、小樣本學習
深度學習依賴訓練數據，訓練數據的規模通常很大，少則幾萬，多大幾百萬。從哪裡收集這麼多訓練數據，需要組織多少人力去對訓練數據進行標註，都是巨大挑戰。
如果對深度學習的過程細節，有更清晰的了解，我們就可以改善卷積這種蠻力的做法，用更少的訓練數據，訓練更輕巧的深度學習模型。
卷積的過程，是蠻力的過程，它對相鄰的點，無一遺漏地不分青紅皂白地進行卷積處理。
如果我們對點與點之間的關聯關係，有更明確的了解，就不需要對相鄰的點，無一遺漏地不分青紅皂白地進行卷積處理。只需要對有關聯的點，進行卷積或者其它處理。
根據點與點之間的關聯關係，構建出來的網絡，就是廣義圖譜。廣義圖譜的結構，通常比 CNN 網絡更加簡單，所以，需要的訓練數據量也更少。
三、遷移學習和推理
用當今的 CNN，可以從大量圖片中，識別某種實體，譬如貓。
但是，如果想給識別貓的 CNN 擴大能力，讓它不僅能識別貓，還能識別狗，就需要額外的識別狗的訓練數據。這是遷移學習的過程。
能不能不提供額外的識別狗的訓練數據，而只是用規則這樣的方式，告訴電腦貓與狗的區別，然後讓電腦識別狗？這是推理的目標。
如果對深度學習過程有更精準的了解，就能把知識和規則，融進深度學習。
從廣義範圍說，深度學習和知識圖譜，是機器學習陣營中諸多學派的兩大主流學派。迄今為止，這兩大學派隔岸叫陣，各有勝負。如何融合兩大學派，取長補短，是困擾學界很久的難題。把深度學習延伸到圖譜處理，給兩大學派的融合，帶來了希望。
四、空間和時間的融合，像素與語義的融合
視頻處理，可以說是深度學習的最高境界。
- 視頻處理融合了圖像的空間分割，圖像中實體的識別，實體對應的語義理解。
- 多幀靜態圖像串連在一起形成視頻，實際上是時間序列。同一個實體，在不同幀中所處的位置，蘊含著實體的運動。運動的背後，是物理定律和語義關聯。
- 如何從一段視頻，總結出文本標題。或者反過來，如何根據一句文本標題，找到最貼切的視頻。這是視頻處理的經典任務，也是難度超大的任務。
參考文獻
- Relational inductive biases, deep learning, and graph networks
- Graph neural networks: A review ofmethods and applications
- A Comprehensive Survey on Graph Neural Networks
- Graph nets
- Neural message passing for quantum chemistry
- Non-local neural networks
本文轉自公眾號 新智元，原文地址
Comments