图神经网络诞生以来得到广泛的应用，能将世界不同对象之间的关系表示出来。今天，谷歌团队官宣发布 TensorFlow-GNN 1.0，一个用于大规模构建 GNN 的经过生产测试的库。
2005 年，划时代之作「The Graph Neural Network Model」的问世，将图神经网络带到每个人面前。在此之前，科学家处理图数据的方式是，在数据预处理阶段，将图转换为一组「向量表示」。而 CNN 的出现彻底改变这种信息丢失的弊端，近 20 年来，一代又一代模型不断演变，推动 ML 领域进步。
今天，谷歌正式官宣发布 TensorFlow GNN 1.0（TF-GNN）—— 用于大规模构建 GNN 的经过生产测试的库。
它既支持在 TensorFlow 中的建模和训练，也支持从大型数据存储中提取输入图。
TF-GNN 是专为异构图从头开始构建的，其中对象和关系的类型由不同的节点和边集合来表示。
现实世界中的对象及其关系以不同的类型出现，而 TF-GNN 的异构焦点，使得表示它们变得非常自然。
谷歌科学家 Anton Tsitsulin 表示，复杂的异构建模又回来了！
TF-GNN 1.0 首面世
对象及其相互之间的关系，在我们的世界中无处不在。
而关系对于理解一个对象的重要性，不亚于孤立地看待对象本身的属性，比如交通网络、生产网络、知识图谱或社交网络。
离散数学和计算机科学长期以来一直将这类网络形式化为图，由「节点」以各种不规则方式通过边任意连接而成。
然而，大多数机器学习算法只允许输入对象之间存在规则统一的关系，如像素网格、单词序列，或完全没有关系。
图形神经网络，简称 GNN，是一种强大的技术，既能利用图的连通性（如早期算法 DeepWalk 和 Node2Vec），又能利用不同节点和边输入特征。
GNN 可以对图的整体（这种分子是否以某种方式做出反应？）、单个节点（根据引用，这份文档的主题是什么？）、潜在的边（这种产品是否可能与另一种产品一起购买？）进行预测。
除了对图形进行预测之外，GNN 还是一个强大的工具 —— 用于弥合与更典型的神经网络用例之间的鸿沟。
它们以连续的方式对图的离散关系信息进行编码，从而可以将其自然地纳入另一个深度学习系统。
谷歌在今天正式宣布用于大规模构建 GNN 的经过生产测试的库 ——TensorFlow GNN 1.0（TF-GNN）。
在 TensorFlow 中，这样的图形由 tfgnn.GraphTensor 类型的对象表示。
这是一个复合张量类型（一个 Python 类中的张量集合），在 tf.data.Dataset 、 tf.function 等中被接受为「头等对象」。
它既能存储图结构，也能存储节点、边和整个图的特征。
GraphTensors 的可训练变换可以定义为高级 Kera API 中的 Layers 对象，或直接使用 tfgnn.GraphTensor 原语。
GNN：对上下文中的对象进行预测
接下来，进一步解释下 TF-GNN，可以看下其中一个典型的应用：
预测一个庞大数据库中，由交叉引用表定义的图中某类节点的属性。
举个例子，计算机科学（CS）的引文数据库 arxiv 论文中，有一对多的引用和多对一的引用关系，可以预测每篇论文的所在的主题领域。
与大多数神经网络一样，GNN 也是在许多标记样本（约数百万个）的数据集上进行训练的，但每个训练步骤只包含一批小得多的训练样本（比如数百个）。
为了扩展到数百万个样本，GNN 会在底层图中合理小的子图流上进行训练。每个子图包含足够多的原始数据，用于计算中心标记节点的 GNN 结果并训练模型。
这一过程，通常被称为子图采样，对于 GNN 训练是极其重要的。
现有的大多数工具都是以批方式完成采样，生成用于训练的静态子图。
而 TF-GNN 提供了，通过动态和交互采样来改进这一点的工具。
TF-GNN 1.0 推出了灵活的 Python API，用于配置所有相关比例的动态或批处理子图采样：在 Colab 笔记中交互采样。
具体来说，对存储在单个训练主机主内存中的小型数据集进行「高效采样」，或通过 Apache Beam 对存储在网络文件系统中的庞大数据集（多达数亿节点和数十亿条边）进行分布式采样。
在这些相同的采样子图上，GNN 的任务是，计算根节点的隐藏（或潜在）状态；隐藏状态聚集和编码根节点邻域的相关信息。
一种常见的方法是「消息传递神经网络」。
在每一轮消息传递中，节点沿着传入边接收来自邻节点的消息，并从这些边更新自己的隐藏状态。
在 n 轮之后，根节点的隐藏状态反映了，n 条边内所有节点的聚合信息（如下图所示，n=2)。消息和新的隐藏状态由神经网络的隐层计算。
在异构图中，对不同类型的节点和边使用单独训练的隐藏层通常是有意义的。
训练设置是，通过将输出层放置在已标记节点的 GNN 的隐藏状态之上、计算损失（以测量预测误差）并通过反向传播更新模型权重来完成的，这在任何神经网络训练中都是常见的。
除了监督训练之外，GNN 也可以以无监督的方式训练，可以让我们计算节点及其特征的离散图结构的连续表示（或嵌入）。
然后，这些表示通常在其他 ML 系统中使用。
通过这种方式，由图编码的离散关系信息，就能被纳入更典型的神经网络用例中。TF-GNN 支持对异构图的无监督目标进行细粒度规范。
构建 GNN 架构
TF-GNN 库支持构建和训练，不同抽象层次的 GNN。
在最高层，用户可以使用与库绑定在一起的任何预定义模型，这些模型以 Kera 层表示。
除了研究文献中的一小部分模型外，TF-GNN 还附带了一个高度可配置的模型模板，该模板提供了经过精心挑选的建模选择。
谷歌发现这些选择，为我们的许多内部问题提供了强有力的基线。模板实现 GNN 层；用户只需从 Kera 层开始初始化。
import tensorflow_gnn as tfgnnfrom tensorflow_gnn.models import mt_albis def model_fn(graph_tensor_spec: tfgnn.GraphTensorSpec): """Builds a GNN as a Keras model.""" graph = inputs = tf.keras.Input(type_spec=graph_tensor_spec) # Encode input features (callback omitted for brevity). graph = tfgnn.keras.layers.MapFeatures( node_sets_fn=set_initial_node_states)(graph) # For each round of message passing...for _ in range(2): # ... create and ly a Keras layer. graph = mt_albis.MtAlbisGraphUpdate( units=128, message_dim=64, attention_type="none", simple_conv_reduce_type="mean", normalization_type="layer", next_state_type="residual", state_dropout_rate=0.2, l2_regularization=1e-5, )(graph) return tf.keras.Model(inputs, graph)
在最低层，用户可以根据用于在图中传递数据的原语，从头开始编写 GNN 模型，比如将数据从节点广播到其所有传出边，或将数据从其所有传入边汇集到节点中。
当涉及到特征或隐藏状态时，TF-GNN 的图数据模型对节点、边和整个输入图一视同仁。
因此，它不仅可以直接表示像 MPNN 那样以节点为中心的模型，而且还可以表示更一般形式的的图网络。
这可以（但不一定）使用 Kera 作为核心 TensorFlow 顶部的建模框架来完成。
训练编排
虽然高级用户可以自由地进行定制模型训练，但 TF-GNN Runner 还提供了一种简洁的方法，在常见情况下协调 Kera 模型的训练。
一个简单的调用可能如下所示：
from tensorflow_gnn import runner
runner.run( task=runner.RootNodeBinaryClassification("papers" ), model_fn=model_fn trainer=runner.KerasTrainer(tf.distribute.MirroredStrategy() model_dir="/tmp/model") optimizer_fn=tf.keras.optimizers.Adam epochs=10 global_batch_size=128 train_ds_provider=runner.TFRecordDatasetProvider("/tmp/train*") valid_ds_provider=runner.TFRecordDatasetProvider("/tmp/validation*") gtspec=)Runner 为 ML Pain 提供了现成的解决方案，如分布式训练和云 TPU 上固定形状的 tfgnn.GraphTensor 填充。
除了单一任务的训练（如上所示）外，它还支持多个（两个或更多）任务的联合训练。
例如，非监督任务可以与监督任务混合，以形成具有特定于应用的归纳偏差的最终连续表示（或嵌入）。调用方只需将任务参数替换为任务映射：
from tensorflow_gnn import runnerfrom tensorflow_gnn.models import contrastive_losses
runner.run( task={ "classification" runner.RootNodeBinaryClassification("papers" ), "dgi" contrastive_losses.DeepGraphInfomaxTask("papers") } )此外，TF-GNN Runner 还包括用于模型归因的集成梯度实现。
集成梯度输出是一个 GraphTensor，其连接性与观察到的 GraphTensor 相同，但其特征用梯度值代替，在 GNN 预测中，较大的梯度值比较小的梯度值贡献更多。
总之，谷歌希望 TF-GNN 将有助于推动 GNN 在 TensorFlow 中的大规模应用，并推动该领域的进一步创新。
参考资料：
https://blog.tensorflow.org/2024/02/graph-neural-networks-in-tensorflow.html?linkId=9418266
https://blog.research.google/2024/02/graph-neural-networks-in-tensorflow.html
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。