图神经网络前言一、图神经网络基本知识二、图游走类算法三、图卷积神经网络四、图注意力网络五、图采样算法六、总结体会 前言图神经网络的基本知识 最近在打卡图神经网络7天训练营 总结一下 废话不多说 先来张图一、图神经网络基本知识图可以分为 无向图 vs 有向图 无权图 vs 有权图 同构图 vs 异构图图可以用邻接矩阵 邻接表 边集表示二、图游走类算法图游走类模型最开始参考的就是 NLP 领域中的
转载
2023-06-14 18:39:39
307阅读
NAFS: A Simple yet Tough-to-beat Baseline for Graph Representation Learning（图嵌入）最近，图神经网络(gnn)通过利用图结构和节点特征的知识，在图表示学习中表现出突出的性能。然而，它们中的大多数都有两个主要的限制。首先，gnn可以通过堆叠更多的层来学习更高阶的结构信息，但由于过度平滑问题，无法处理大深度。其次，由于计算开销
转载
2023-10-20 12:53:14
265阅读
作者：Steeve Huang编译：ronghuaiyang 导读 给大家介绍目前非常热门的图神经网络，包括基础和两个常用算法，DeepWalk和GraphSage。近年来，图神经网络(GNN)在社交网络、知识图谱、推荐系统甚至生命科学等各个领域得到了越来越广泛的应用。GNN具有对图中节点间依赖关系建模的强大功能，使得图分析相关研究领域取得了突破。本文会介绍图神经网络的基本原理，以及两种更高级
转载
2024-02-05 16:50:12
765阅读
# Learning Convolutional Neural Networks for Graphs本文的三位作者都来自德国Heidelberg的NEC Labs Europe，文章提出了一种从图数据中提取局部连接区域的通用方法（PATCHY-SAN），用来解决图神经网络中的经典问题：如何在大规模的图上应用卷积？如何将卷积操作泛化到任意结构的图？通过实验证明了算法的有效性，并且模型的计算是高效的
转载
2024-03-12 21:18:28
108阅读
图神经网络旨在利用神经网络有效地处理图数据 图结构化数据在各个领域中都是通用的，例如分子，{社交，引文，道路}网络等示例，只是可以用图表示的大量数据中的少数。随着机器学习的进步，我们看到了在可用数据上应用智能算法的潜力。图神经网络是机器学习的一个分支，它涉及以最有效的方式为图数据构建神经网络。尽管在具有卷积网络在计算机视觉领域中取得了巨大进步，但是图神经网络(GNN)面临着更具挑战性的
转载
2023-09-26 18:59:16
119阅读
最近接触了图神经网络，感觉这个玩意可以提供多粒度视角。在对研究对象进行抽象后，既可以对节点进行分类，也可以对边进行分类，还可以对图整体进行分类。 图神经网络这种结构就提供一种多粒度描述特定对象的能力。想想还是蛮不错的啊。所以就搞搞图神经网络。 目前来看图神经网络的理论学习路线有：图论基本知识。这个很熟，不用学。线性代数，尤其是傅里叶变换的矩阵形式。这个只要回去看看书就行，我看了图卷积网络的理论基础
转载
2023-10-23 14:17:40
202阅读
题目： CD-GNN：一种跨领域的图神经网络模型会议： CIKM 2021近期，蚂蚁集团公开了一个全新的基于图神经网络的跨领域学习方法，用于解决由于低活跃用户/新用户缺乏特征和标签导致其偏好理解难的问题。该工作将低活跃用户偏好理解问题形式化为一个跨领域学习问题，通过引入源领域中高活用户的信息帮助低活跃用户的学习。对于源领域和目标领域用户无交集且目标领域缺乏特征、标签的问题，传统跨领域方法并不适用。
转载
2023-08-28 13:33:42
164阅读
图神经网络GraphSAGE代码详解1. 前言2. 代码下载3. 数据集分析4. 代码分析4. 1 model.py4. 2 aggregators.py4. 3 encoders.py5 总结 1. 前言最近在学习图神经网络相关知识，对于直推式的图神经网络，训练代价昂贵，这篇文章主要是介绍一个基于归纳学习的框架GraphSAGE的代码，旨在训练一个聚合函数，为看不见的节点（新的节点）生成嵌入。
转载
2023-08-08 23:23:40
202阅读
摘要：本文主要通过Keras实现了一个分类学习的案例，并详细介绍了MNIST手写体识别数据集。作者： eastmount 。一.什么是分类学习1.Classification回归问题，它预测的是一个连续分布的值，例如房屋的价格、汽车的速度、Pizza的价格等。而当我们遇到需要判断一张图片是猫还是狗时，就不能再使用回归解决了，此时需要通过分类学习，把它分成计算机能够识别的那一类（猫或狗）。如上图所示
转载
2023-07-31 21:09:33
117阅读
看了李沐老师在B站讲的零基础多图详解图神经网络（视频），博客地址，这里稍微总结一下。图神经网络部分有点复杂，建议感兴趣的同学看一下视频或者博客1.什么是图 图是表示一些实体之间的一些关系，实体为顶点，关系为边，图上面可以有三种问题：1.图的分类，如分出包括两个环的图。2.顶点分类，如在一张关系图中，分出与A有关系的人和与B有关系我的人。3.边属性，如一个人在看另一个人，则边属性为看。图上包括
转载
2023-05-30 13:09:43
153阅读
图机器学习（图神经网络的应用）1. Graph Augmentation for GNNs1. 为什么要做图增强我们在之前都假设原始数据和应用于GNN的计算图一致，但很多情况下原始数据可能不适宜于GNN：特征层面：输入图可能缺少特征（也可能是特征很难编码）→特征增强结构层面：图可能过度稀疏→导致message passing效率低（边不够嘛）图可能过度稠密→导致message passing代价太
转载
2023-11-13 11:04:23
330阅读
GNNExplainer代码解读及其PyG实现使用GNNExplainerGNNExplainer源码速读前向传播损失函数基于GNNExplainer图分类解释的PyG代码示例参考资料 接上一篇博客图神经网络的可解释性方法及GNNexplainer代码示例，我们这里简单分析GNNExplainer源码，并用PyTorch Geometric手动实现。 GNNExplainer的源码地址：http
转载
2024-01-08 15:01:35
114阅读
清华大学图神经网络综述：模型与应用模型应用开放问题 引言：近年来，图神经网络的研究成为深度学习领域的热点，机器之心曾介绍过清华大学朱文武等人综述的图网络。近日，清华大学孙茂松组在 arXiv 上发布预印版综述文章 Graph Neural Networks: A Review of Methods and Applications。该文总结了近年来 图神经网络领域的经典模型与典型应用，并提出了
转载
2023-11-17 22:26:23
56阅读
作者：张宇 近年来，作为一项新兴的图数据学习技术，图神经网络（GNN）受到了非常广泛的关注，在各大顶级学术会议上，图神经网络相关的论文也占了相当可观的份额。我们知道图结构是最复杂的一种数据结构，其他数据结构都可以看做是图结构的一种推广。图结构在现实世界中也有很多应用，比如城市轨道交通图、社交关系图、生物医学领域等。GNN辅助医药研制图神经网络就是将图结构引入深度学习领域产生的
转载
2023-08-18 17:46:05
173阅读
摘要：随着计算机行业和互联网时代的不断发展与进步，图神经网络已经成为人工智能和大数据重要研究领域。图神经网络是对相邻节点间信息的传播和聚合的重要技术，可以有效地将深度学习的理念应用于非欧几里德空间的数据上。简述图计算、图数据库、知识图谱、图神经网络等图技术领域的相关研究历史，分类介绍不同类型的图结构。分析对比不同的图神经网络技术，重点从频域和空间与的信息聚合方式上分类比较不同的图卷积网络算法。阐述
转载
2023-08-10 16:35:31
228阅读
1、CNN（卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络）的内部网络结构有什么区别？如下：1、DNN：存在着一个问题——无法对时间序列上的变化进行建模。然而，样本出现的时间顺序对于自然语言处理、语音识别、手写体识别等应用非常重要。对了适应这种需求，就出现了另一种神经网络结构——循环神经网络RNN。2、CNN：每层神经元的信号只能向上一层传播，样本的处理在各个时刻独立，因此又被称为前
转载
2023-10-30 23:10:54
394阅读
Graph Neural Networks:A Review of Methods and Applications前言模型GNNGNN的变体图类型传播方式训练方法通用框架应用主要问题浅结构（Shallow Structure）动态图（Dynamic Graphs）非结构化场景（Non-Structural Scenarios）可伸缩性（Scalability） author：Jie Zhou∗
转载
2023-07-03 20:50:00
618阅读
参考链接：https://www.icourse163.org/learn/PKU-1002536002?tid=1002700003#/learn/content?type=detail&id=1003976116&sm=1搭建神经网络，总结搭建八股一、基本概念基于 Tensorflow 的 NN：用张量表示数据，用计算图搭建神经网络，用会话执 行计算图，优化线上的权重（参数），
转载
2023-08-14 10:54:25
222阅读
为什么需要GCN（图神经网络）？随着机器学习和深度学习的发展，简单的序列和网格数据等结构化数据处理取得很大突破，但是对于非结构化数据呢？图神经网络是什么样子？图神经网络相比于基本的网络结构的全连接层，多了一个邻接矩阵。1、Graph Convolution Networks(GCN)Semi-Supervised Classification with Graph Convolutional Ne
转载
2023-07-04 07:17:42
275阅读
图神经网络 (GNN) 是一系列神经网络，可以自然地对图结构数据进行操作。与孤立地考虑单个实体的模型相比，通过从底层图中提取和利用特征，GNN 可以对这些交互中的实体做出更明智的预测。 GNN 并不是唯一可用于对图结构化数据进行建模的工具：图内核和随机游走方法层级是一些最流行的工具。然而，今天，GNN 在很大程度上取代了这些技术，因为GNN具有更好地对底层系统进行建模的固有灵活性。图的计算挑战
转载
2023-06-30 20:02:31
260阅读
