KDD 2023：图神经网络的新前沿
会议主席兼某机构学者孙怡舟就建模长距离依赖关系、提升效率以及新型因果模型发表见解。
2021年和2022年，当某机构科学部门邀请知识发现与数据挖掘会议（KDD）程序委员会成员讨论其领域现状时，对话始终围绕图神经网络展开。
图学习仍然是KDD 2023最热门的话题，但作为加州大学洛杉矶分校计算机科学副教授、某机构学者兼本次会议主席的孙怡舟解释说，这并不意味着该领域停滞不前。图神经网络（GNN）是生成图节点嵌入或向量表示的机器学习模型，这些表示捕获了节点与其他节点关系的信息。它们可用于图相关任务，如预测边或标注节点，也可用于任意的下游处理任务，这些任务仅利用图结构中所编码的信息。
但在这一通用定义下，“‘图神经网络’的含义可能非常不同，”孙怡舟说。“‘图神经网络’是一个涵盖范围非常广泛的术语。”
例如，孙怡舟解释说，传统的GNN使用消息传递来生成嵌入。图中的每个节点都被嵌入，然后每个节点接收其相邻节点的嵌入（即传递的消息），并将其整合到更新后的嵌入中。通常，此过程会执行两到三次，以便每个节点的嵌入捕获其一到三跳邻域的信息。
“如果我进行消息传递，我只能从直接邻居那里收集信息，”孙怡舟解释道。“我需要经过很多很多层才能建模长距离依赖关系。对于某些特定应用，如软件分析或物理系统模拟，长距离依赖变得至关重要。”
“因此人们问如何改变这种架构。他们受到了Transformer的启发”——Transformer是基于注意力的神经架构，是当今大型语言模型的基础——“因为Transformer可以被视为图神经网络的一个特例，在输入窗口中，每个标记都可以连接到其他每个标记。”
“如果每个节点都可以与图中的其他每个节点通信，你就可以轻松解决这个长距离依赖问题。但会有两个限制。一个是效率。对于某些图，有数百万甚至数十亿个节点。你无法高效地与图中的其他所有人通信。”
孙怡舟解释说，第二个担忧是，过多的长距离连接会削弱图表示的意义。图之所以有用，是因为它们捕获了节点之间有意义的联系——这意味着忽略了无意义的联系。如果图中的每个节点都与其他每个节点通信，则有意义的连接就会被稀释。
为了解决这个问题，“人们试图找到一种方法来模仿文本设置或图像设置中的位置编码，”孙怡舟说。“在文本设置中，我们只是将位置转换为某种编码。后来，在计算机视觉领域，人们说，‘好吧，我们也对图像块这样做。’例如，我们可以将每个图像分解为六乘六的块，这些块的相对位置可以转换为位置编码。”
“所以下一个问题是，在图设置中，我们如何获得那种自然的相对位置？有不同的方法可以做到这一点，比如随机游走——一个非常简单的方法。还有人尝试进行特征分解，我们利用特征向量来编码这些节点的相对位置。但特征分解非常耗时，所以又回到了效率问题。”
效率
孙怡舟解释说，事实上，提高GNN的效率本身就是一个活跃的研究领域——从高层算法设计到芯片设计层面。
“在算法层面，你可能会尝试某种采样技术，只是试图减少操作次数，”她说。“或者也许设计一些更高效的算法来稀疏化图。例如，假设我们想进行某种相似性搜索，为每个目标节点保留最相似的节点。然后人们可以设计一些智能索引技术，使那部分非常快。”
“在推理阶段，我们可以进行知识蒸馏，将一个非常复杂的模型，比如图神经网络，蒸馏成一个非常简单的图神经网络——或者不一定是图神经网络，也许只是一个非常简单的结构，比如多层感知机（MLP）。然后我们可以更快地进行计算。量化也可以在推理阶段应用，以使计算更快。”
“这是在算法层面。但如今人们走得更深。有时，如果你想解决问题，你需要深入到系统层面。所以人们说，让我们看看如何设计这种分布式系统来加速训练，加速推理。”
“例如，在某些情况下，内存成为主要限制。在这种情况下，可能我们能做的唯一事情就是分配工作负载。那么自然的问题是如何协调或同步每个计算节点训练的模型参数。如果我们必须将数据分发到10台机器上，你如何与这10台机器协调，以确保你只有一个最终版本？”
“人们现在甚至走得更深，在硬件端进行加速。所以软件-硬件协同设计也越来越受欢迎。它要求人们真正了解这么多不同的领域。”
“顺便说一下，在KDD，与许多其他机器学习会议相比，现实世界的问题始终是我们的首要关注点。在许多情况下，为了解决现实世界的问题，我们必须与不同背景的人交流，因为我们不能仅仅把它包装成我们在高中时解决的那种理想问题。”
应用
然而，除了这些提高GNN通用性和准确性的普遍努力之外，还有关于GNN技术具体应用的新研究。
“有一些关于如何在图设置中进行因果分析的工作，意味着对象实际上是相互干扰的，”孙怡舟解释道。“这与传统设置截然不同：例如，药物研究中的患者是相互独立的。”
“还有一个新趋势是将深度表示学习与因果推理相结合。例如，我们如何将你尝试的治疗表示为一个连续的向量，而不仅仅是一个二元治疗？我们能否使治疗在时间上是连续的——意味着它不仅仅是一种静态的一次性治疗？如果我在10天后进行治疗，结果与20天后进行治疗相比会如何？时间非常重要；我们如何将时间信息注入其中？”
“图也可以被认为是描述多智能体动态系统的良好数据结构——这些对象在动态网络设置中如何相互交互。然后，我们如何将生成思想融入图中？图生成对于许多领域非常有用，例如制药行业。”
“然后有很多应用我们可以从大型语言模型（LLM）中受益。例如，知识图谱推理。我们知道LLM会产生幻觉，而在知识图谱上的推理非常严谨。这两者有什么好的结合方式？”
“对于GNN，总有新东西。图只是一种非常有用的数据结构，用于模拟我们互联的世界。”
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
