ai-107Bước 1Trung bình
Ma Trận Laplacian Và Ma Trận Kề Chuẩn Hóa Đối Xứng Cho Đồ Thị (Spectral Graph Theory)
Lsym = I - D-1/2 A D-1/2
CHUYÊN ĐỀ AI THỰC CHIẾN
Bài tập Graph Neural Networks (GNN) & Deep Learning trên Đồ thị
Mạng xã hội, cấu trúc phân tử hóa học và mạng lưới giao thông đều là đồ thị. Khám phá cách biểu diễn ma trận kề và lan truyền đặc trưng giữa các nút láng giềng.
8
bài tập có chấm code
Bài tập theo chuyên đề, có đề bài, ví dụ và starter code riêng.
0
cơ bản
Củng cố nền tảng và làm quen với kỹ thuật cốt lõi.
3
trung bình
Kết hợp nhiều bước suy luận để vận dụng kiến thức.
5
nâng cao
Thử thách tối ưu, cấu trúc dữ liệu và thuật toán chuyên sâu.
Lộ trình thực hành đề xuất
Bước 1
Biểu diễn đồ thị cho AI
Ma trận đặc trưng nút X và ma trận kề A chuẩn hóa đối xứng.
Bước 2
Lớp Graph Convolution (GCN)
Cài đặt công thức H = ReLU(D^-0.5 * A * D^-0.5 * H * W).
Bước 3
Phân loại Nút & Đồ thị
Huấn luyện mô hình phân loại nút (Node Classification) và phân loại toàn đồ thị.
Lỗi thường gặp & Cách phòng tránh
•
Quên thêm cạnh tự khuyên (Self-loop: A + I) khiến nút bị mất đặc trưng của chính nó sau phép tích chập.
•
Hiện tượng over-smoothing khi xếp quá nhiều tầng GCN làm đặc trưng các nút bị đồng nhất.
Danh sách bài tập thực hành (8 bài)
Trong mỗi mức độ, bài tập được xếp từ dễ nhất đến khó nhất — hãy đi theo số bước.
Trung bình 3 bài
ai-115Bước 2Trung bình
PageRank – Thuật Toán Xếp Hạng Trang Web Bằng Power Iteration
PageRank tính điểm uy tín của mỗi nút trong đồ thị có hướng. Công thức:
ai-108Bước 3Trung bình
Tầng Tích Chập Đồ Thị GCN (Kipf & Welling ICLR 2017)
H(l+1) = σ ( A H(l) W(l) + b(l) )
Nâng cao 5 bài
ai-109Bước 1Nâng cao
Tầng Chú Ý Đồ Thị GAT (Veličković et al. ICLR 2018)
Cho phép mỗi đỉnh học cách chú ý động (anisotropic attention) vào các đỉnh láng giềng quan trọng hơn:
ai-110Bước 2Nâng cao
Khung Kiến Trúc Truyền Thông Điệp Tổng Quát MPNN (Gilmer et al. ICML 2017)
1. Tạo thông điệp (Message Function Mt):
ai-111Bước 3Nâng cao
Mạng Đẳng Cấu Đồ Thị GIN (Xu et al. ICLR 2019 - 1-WL Test Power)
Sử dụng hàm gom cụm tổng (Sum Aggregation) kết hợp tham số học ε và mạng đa tầng MLP để đạt được sức mạnh biểu diễn tối đa tương đương kiểm định đẳng cấu đồ thị 1-Weisfeiler…
ai-112Bước 4Nâng cao
Graph Attention Network (GAT) – Cơ Chế Chú Ý Trên Đồ Thị
Graph Attention Network (GAT) cải tiến GCN bằng cách cho phép mỗi cạnh học một trọng số chú ý khác nhau.
ai-114Bước 5Nâng cao
TransE – Nhúng Đồ Thị Tri Thức (Knowledge Graph Embedding)
TransE là mô hình nhúng tri thức nền tảng. Với mỗi triple (h, r, t) (head, relation, tail):