书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

719次阅读
没有评论

本书包含GNN相关理论知识与实践案例

什么样的图神经网络更具表达能力

大规模图神经网络计算中的算法技术

图神经网络在腾讯反欺诈领域的应用

eBay基于图神经网络的实时风控实践

图神经网络在eBay支付风控中的应用

书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

书名:图神经网络概论与风控场景应用

作者:DataFunConunknown整理

年份:2022年

出版社:

下载链接:如不能下载,请加入微信群

链接: https://pan.baidu.com/s/16-OBQIYCHrpvtMata9mqbQ?pwd=jwms

书籍汇总:

链接: https://pan.baidu.com/s/1wp1sxh_p5Cv9dI5OpBaSCg?pwd=2arp

前言

书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写Distillation(蒸馏技术) Loss的设计方案


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写Group-pooling step


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写Attention机制是“拉”的模式,routing机制是“推”的模式。


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

为什么GNNs有效

从数学的角度来看,将会有更直观的感受:初始层的embedding可以看作

是节点的原始特征,第k层当前节点的embedding是,对其邻居节点的前

一层embedding取均值和该节点前一层embedding加权求和后,使用激

活函数进行非线性变换,以此来更新当前节点的embedding。经过K层之

后的不断迭代,获得更好的表达能力。由于每一层的权重W和偏差B都是可

学习的,GNNs的归纳学习能力使得该模型在新的图当中对于没有遇见的节

点可以进行有效的推理和学习。


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

借鉴于Transfomer的实践,使用attention机制用来学习边的权重,在这

个过程当中也使用了多头的机制,以此来控制随机因素。


书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

微信群                    公众号

书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写  书 |《图神经网络概论与风控场景应用》156页 | 2022年DataFunConunknown编写

 

Read More 

正文完
可以使用微信扫码关注公众号(ID:xzluomor)
post-qrcode
 
评论(没有评论)
Generated by Feedzy