图灵奖得主Bengio提出并开源图马尔科夫神经网络( 三 )

2019-09-13

（2）由于对象之间的关系结构比较复杂，对未标记对象的标签的后验分布进行推断仍然具有一定的挑战性。

基于图的神经网络也有一些不足，一个关键的限制即为对象的标签是根据其表示形式独立预测的，如此一来，对象标签之间的联合依赖项会被忽略。

在变分EM框架中，E-step用于推理，M-step用于学习。在学习过程中，GMNN的训练过程不是最大化似然函数，而是优化伪似然函数，并利用图神经网络对对象标签的局部条件分布进行建模。这种图神经网络能够比较好地学习对象标签的依赖性，并且不需要人工设计势函数。

在推理过程中，由于精确推理比较难解，可以利用均值场近似值来解决。

受摊销推理的启发，作者们利用另一个图神经网络对对象标签的后验分布进行建模，进而可以学习有用的对象表示用于预测对象的标签。在推理过程中，利用图神经网络，可以显著减少参数的数量，并且在推理中的不同对象之间可以共享统计证据。

半监督对象分类的问题描述如下

推荐阅读

上一篇：程序员该如何向奶奶解释 SQL和NoSQL？

下一篇：魏则西遗愿得偿，亲弟弟满百天了