没有完整图时，如何使用图深度学习？需要了解流形学习2.0版本( 三 )

潜图学习可以看作是流形学习问题的一种现代设置，在这里，图被学习并用作某些下游任务优化的端到端 GNN pipeline 的一部分。
这种方法的吸引力在于：将单个数据点和它们所在的空间结合在相同的 pipeline 中。在图像的例子中，我们可以使用传统的 CNN 从每个图像中提取视觉特征，并使用 GNN 来建模它们之间的关系。

本文插图
PeerNet 是标准 CNN 中基于图的正则化层，可聚合来自多个图像的相似像素，从而降低对对抗性扰动的敏感性。（图源 [12]）
潜图学习的其它应用
潜图学习还有许多其他有趣的应用。
第一是少样本学习：利用基于图的方法从少量样本中进行归纳（重点：只需要少量带有标注的样本）。在计算机视觉中，数据标注量从几千到上万不等，成本很高，因此少样本学习变得越来越重要。
第二是生物学领域：人们经常通过实验观察生物分子如蛋白质的表达水平，并试图重建它们的相互作用和信号网络。
第三是对物理系统的分析：其中图可以描述多个对象之间的交互作用。尤其是处理复杂粒子相互作用的物理学家，最近对基于图的方法表现出了浓厚的兴趣。
第四是 NLP 问题：在 NLP 领域中，图神经网络可以看作是 transformer 架构的泛化。所提到的许多问题也提出了在图结构中加入先验知识，这一结构在很大程度上仍然是开放的：例如，人们可能希望强迫图遵守某些构造规则或与某些统计模型兼容。
潜图学习，虽然不是全新的领域，但它为旧问题提供了新的视角。对于图机器学习问题而言，这无疑是一个有趣的设置，为 GNN 研究人员提供了新的方向。
参考链接：
https://towardsdatascience.com/manifold-learning-2-99a25eeb677d
【没有完整图时，如何使用图深度学习？需要了解流形学习2.0版本】https://zhuanlan.zhihu.com/p/75307407?from_voters_page=true