DeepMind今天開(kāi)源了內(nèi)部的Graph Nets庫(kù)，用于在TensorFlow中構(gòu)建簡(jiǎn)單而強(qiáng)大的關(guān)系推理網(wǎng)絡(luò)?！皥D網(wǎng)絡(luò)”由DeepMind、谷歌大腦、MIT等27位研究者提出，由于其支持關(guān)系推理和組合泛化的優(yōu)勢(shì)，引起大量關(guān)注。

DeepMind提出的簡(jiǎn)單而強(qiáng)大的關(guān)系推理網(wǎng)絡(luò)“graph network”終于開(kāi)源了！

今年6月，由DeepMind、谷歌大腦、MIT 和愛(ài)丁堡大學(xué)等公司和機(jī)構(gòu)的 27 位科學(xué)家共同發(fā)表了一篇論文Relational inductive biases, deep learning, and graph networks，提出了圖網(wǎng)絡(luò)（graph network）的概念。“讓深度學(xué)習(xí)也能因果推理”，這篇論文引起了業(yè)內(nèi)的大量關(guān)注。

簡(jiǎn)單的說(shuō)，圖網(wǎng)絡(luò)（graph network）是將graph作為輸入，并返回graph作為輸出的神經(jīng)網(wǎng)絡(luò)。輸入圖具有edge-(E), node-(V), 和global-level(u) 的屬性。輸出圖具有相同的結(jié)構(gòu)，但更新了屬性。 Graph networks是更廣泛的“graph neural networks”家族的一部分 (Scarselli et al., 2009)。

這篇論文里，作者詳細(xì)解釋了他們的“圖網(wǎng)絡(luò)”。圖網(wǎng)絡(luò)（GN）的框架定義了一類用于圖形結(jié)構(gòu)表示的關(guān)系推理的函數(shù)。GN 框架概括并擴(kuò)展了各種的圖神經(jīng)網(wǎng)絡(luò)、MPNN、以及 NLNN 方法，并支持從簡(jiǎn)單的構(gòu)建塊（building blocks）來(lái)構(gòu)建復(fù)雜的結(jié)構(gòu)。

GN 框架的主要計(jì)算單元是GN block，即 “graph-to-graph” 模塊，它將 graph 作為輸入，對(duì)結(jié)構(gòu)執(zhí)行計(jì)算，并返回 graph 作為輸出。如下面的 Box 3 所描述的，entity 由 graph 的節(jié)點(diǎn)（nodes），邊的關(guān)系（relations）以及全局屬性（global attributes）表示。

論文中對(duì)“graph”的定義

論文作者用 “graph” 表示具有全局屬性的有向（directed）、有屬性（attributed）的 multi-graph。一個(gè)節(jié)點(diǎn)（node）表示為，一條邊（edge）表示為，全局屬性（global attributes）表示為u。和表示發(fā)送方（sender）和接收方（receiver）節(jié)點(diǎn)的指標(biāo)（indices）。具體如下：

Directed：?jiǎn)蜗?，?“sender” 節(jié)點(diǎn)指向 “receiver” 節(jié)點(diǎn)。

Attribute：屬性，可以編碼為矢量（vector），集合（set），甚至另一個(gè)圖（graph）

Attributed：邊和頂點(diǎn)具有與它們相關(guān)的屬性

Global attribute：graph-level 的屬性

Multi-graph：頂點(diǎn)之間有多個(gè)邊

GN 框架的 block 的組織強(qiáng)調(diào)可定制性，并綜合表示所需關(guān)系歸納偏置（inductive biases）的新架構(gòu)。

論文：Relational inductive biases, deep learning, and graph networks

地址：https://arxiv.org/pdf/1806.01261.pdf

圖網(wǎng)絡(luò)為什么重要？

康納爾大學(xué)數(shù)學(xué)博士/MIT博士后Seth Stafford則認(rèn)為，圖神經(jīng)網(wǎng)絡(luò)（Graph NNs）可能解決圖靈獎(jiǎng)得主Judea Pearl指出的深度學(xué)習(xí)無(wú)法做因果推理的核心問(wèn)題。

Judea Pearl

圖靈獎(jiǎng)得主、貝葉斯網(wǎng)絡(luò)之父Judea Pearl，在ArXiv發(fā)布了他的論文《機(jī)器學(xué)習(xí)理論障礙與因果革命七大火花》，論述當(dāng)前機(jī)器學(xué)習(xí)理論局限，并給出來(lái)自因果推理的7大啟發(fā)。Pearl指出，當(dāng)前的機(jī)器學(xué)習(xí)系統(tǒng)幾乎完全以統(tǒng)計(jì)學(xué)或盲模型的方式運(yùn)行，不能作為強(qiáng)AI的基礎(chǔ)。他認(rèn)為突破口在于“因果革命”，借鑒結(jié)構(gòu)性的因果推理模型，能對(duì)自動(dòng)化推理做出獨(dú)特貢獻(xiàn)。

如何解決這個(gè)問(wèn)題？DeepMind認(rèn)為，要從“圖網(wǎng)絡(luò)”入手。

現(xiàn)在，這篇重磅論文的開(kāi)源軟件庫(kù)終于發(fā)布了！可以用于在TensorFlow和Sonnet中構(gòu)建Graph Nets。

在TensorFlow中構(gòu)建Graph Nets

安裝

Graph Nets庫(kù)可以從pip安裝。

此安裝與Linux/Mac OS X以及Python 2.7和3.4+兼容。

要安裝庫(kù)，請(qǐng)運(yùn)行：

1$pipinstallgraph_nets

用例

以下代碼用于構(gòu)建一個(gè)簡(jiǎn)單的graph net模塊，并將其與數(shù)據(jù)連接。

1importgraph_netsasgn 2importsonnetassnt 3 4#Provideyourownfunctionstogenerategraph-structureddata. 5input_graphs=get_graphs() 6 7#Createthegraphnetwork. 8graph_net_module=gn.modules.GraphNetwork( 9edge_model_fn=lambda:snt.nets.MLP([32,32]),10node_model_fn=lambda:snt.nets.MLP([32,32]),11global_model_fn=lambda:snt.nets.MLP([32,32]))1213#Passtheinputgraphstothegraphnetwork,andreturntheoutputgraphs.14output_graphs=graph_net_module(input_graphs)

Jupyter notebooks演示

這個(gè)庫(kù)包括demos，演示如何在最短路徑查找任務(wù)、排序任務(wù)和物理預(yù)測(cè)任務(wù)上創(chuàng)建、操作和訓(xùn)練graph networks，以推理圖結(jié)構(gòu)化數(shù)據(jù)。每個(gè)demo都使用相同的graph network架構(gòu)，突出了該方法的靈活性。

在瀏覽器 Colaboratory 中嘗試演示

要在本地沒(méi)有安裝任何內(nèi)容的情況下嘗試demo，你可以通過(guò)云Colaboratory后端，在瀏覽器（甚至手機(jī)上）運(yùn)行demo。

在瀏覽器中運(yùn)行“最短路徑演示”

“最短路徑演示”創(chuàng)建隨機(jī)的graph，并訓(xùn)練圖網(wǎng)絡(luò)以標(biāo)記任意兩個(gè)節(jié)點(diǎn)之間的最短路徑上的節(jié)點(diǎn)和邊緣。在一系列消息傳遞步驟中，模型改進(jìn)了對(duì)最短路徑的預(yù)測(cè)。

在瀏覽器中運(yùn)行“排序演示”

“排序演示”創(chuàng)建隨機(jī)數(shù)列表，并訓(xùn)練圖網(wǎng)絡(luò)對(duì)列表進(jìn)行排序。在一系列消息傳遞步驟之后，模型可以準(zhǔn)確預(yù)測(cè)哪些元素（圖中的列）緊跟在彼此的后面（行）。

在瀏覽器中運(yùn)行“物理演示”

"physics demo"創(chuàng)建隨機(jī)質(zhì)量的彈簧物理系統(tǒng)，并訓(xùn)練一個(gè)圖網(wǎng)絡(luò)來(lái)預(yù)測(cè)系統(tǒng)在下一時(shí)間步長(zhǎng)的狀態(tài)。模型的下一步預(yù)測(cè)可作為輸入反饋進(jìn)來(lái)，以創(chuàng)建未來(lái)軌跡的rollout。下面的每個(gè)子圖顯示了50步以上的真實(shí)和預(yù)測(cè)mass-spring系統(tǒng)狀態(tài)。這類似于Battaglia et al. (2016)提出的"interaction networks”里的模型和實(shí)驗(yàn)。