论文链接：https://arxiv.org/pdf/1812.08434.pdfGNN相关论文列表链接：https://github.com/thunlp/GNNPapers 近日，清华刘知远老师组在arXiv上发表了一篇关于图神经网络的综述，本次论文浅尝在分享这篇论文的基础上，对图神经网络的相关方法及应用作一次梳理。一、前言图神经网络(GraphNeural Networks, GN
转载
2023-11-16 19:33:52
34阅读
前言：图形神经网络(GNN)作为一种机器学习算法，可以从图中提取重要信息并进行有用的预测。随着图形变得越来越普遍、信息更丰富，人工神经网络变得越来越流行和强大，图形神经网络(GNN)已经成为许多重要应用的强大工具1 图神经网络的介绍很多书把图神经网络和卷积神经网络（CNN)，循环神经网络（RNN）并列。相对于CNN和RNN而言，GNN的发展比较短但是在很多领域都有很好的应用。因为图数据有复杂的结构
转载
2023-08-17 20:39:26
215阅读
目录系列规划基础知识欧几里得结构化数据1. 欧几里得空间2. 常见的欧几里得结构化数据非欧几里得结构化数据1. 非欧几里得空间2. 非常见的欧几里得结构化数据图(Graph)1. 图(Graph)的引入2. 图(Graph)的定义3. 图(Graph)的表示形式图上的学习任务图数据应用举例基础知识图卷积神经网络(Graph Convolutional Network)作为最近几年兴起的一种基于图结
转载
2024-02-05 21:23:14
116阅读
目录一、什么是图(graph)二、如何将图片(images)表示成图(graph)三、在机器学习中使用图(graph)的挑战四、图神经网络(Graph Neural Network, GNN)(I). The simplest GNN(II). 如何做预测(III).如何将图的结构信息引入GNN(IV).Learning edge representations(V). 为什么需要全局图
转载
2024-02-19 19:40:45
99阅读
目录1、简介2、图神经网络与异常检测小引图异常检测背景系统PyGOD 基准BOND综述未来方向 总结小结QA3、参考1、简介摘要：在这次演讲中，赵越会围绕异常检测与图上的异常检测来介绍他参与多校联合的Python Graph Outlier Detection (PyGOD)工具库，以及最近的NeurIPS论文：BOND: Benchmarking Unsupervised O
图神经网络GNN学习笔记：GraphSAGEGraphSAGE概述GraphSAGE算法原理采样邻居节点聚合邻居参数的学习GraphSAGE算法过程GraphSAGE的实现GraphSAGE实战 在一个确定的图中去学习顶点的embedding， 无法直接泛化到在训练过程没有出现过的顶点，即 属于一种直推式(transductive)的学习。 GraphSAGE概述本文介绍的GraphSAGE则是
转载
2024-04-02 17:37:31
776阅读
1.Spatial-based GNN:类似卷积神经网络利用卷积核提取特征的方式。GNN：则是Aggregation，利用某一节点，以及该节点的邻居节点，计算下一层中该节点位置处的值。如Layer i圈住的部分，进行一定的计算，得到的值就是Layer i+1中的h1 3的值。Readout：则是将所有节点的信息融合，用一个东西来代表整张图。2.模型1：NN4G(Neural Networks fo
转载
2024-03-13 15:34:42
173阅读
图神经网络（Graph Neural Networks，GNN）是一类专门处理图结构数据的深度学习模型。与传统的深度学习模型不同，GNN能够直接处理节点和边之间的关系，捕捉图的结构信息。其核心思想是通过消息传递机制，使节点能够聚合其邻居节点的信息，从而更新自身的表示。GNN的基本原理：节点表示更新： 每个节点通过聚合其邻居节点的特征来更新自身的表示。这种聚合通常是加权求和，权重可以是固定的，也可以
一、表示学习表示学习：自动地学习出有效的特征，并提高最终机器学习模型的性能。好的表示：一个好的表示应该具有很强的表示能力，即同样大小的向量
原创
2023-04-06 11:46:06
472阅读
文章目录图神经网络（Graph Neural Networks）简单介绍什么是图神经网络图神经网络的基本概念1. 图（Graph）2. 邻接矩阵（Adjacency Matrix）3. 图信号（Graph Signal）4. 图卷积（Graph Convolution）主要图神经网络模型1. GCN（Graph Convolutional Networks）2. GAT（Graph Attent
转载
2023-09-28 06:35:29
381阅读
《深入浅出图神经网络》GNN原理解析☄学习笔记（三）卷积神经网络 文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记（三）卷积神经网络卷积与池化信号处理中的卷积单通道卷积多通道卷积池化卷积神经网络卷积神经网络的特点特殊的卷积形式1x1卷积转置卷积空洞卷积分组卷积深度可分离卷积 卷积神经网络（Convolutional Neural Network， CNN或 ConvNet）是一种具有局部连
转载
2024-01-12 14:42:19
105阅读
看了大佬的博客A Gentle Introduction to Graph Neural Networks图图用来表示一些实体间的关系——》点V Vertex 顶点/nodeE Edge 边/关系U Global 全局 （embedding） 比如一个图中是否含有环 就是一个全局信息V E U可以用向量来表示图分为有方向 与 无方向 两种实体间的关系不一定相互 比如用户博客的关
原创
2023-10-24 11:49:55
153阅读
@TOCGNN的应用简述GNN的适用范围非常广泛：
显式关联结构的数据：药物分子、电路网络等
隐式关联结构的数据：图像、文本等生物化学领域中：分子指纹识别、药物分子设计、疾病分类等交通领域中：对交通需求的预测、对道路速度的预测等计算机图像领域：目标检测、视觉推理等自然语言处理中：实体关系抽取、关系推理等GNN的3大优势： （1）GNN具有强大的图数据拟合能力 （2）GNN具有强大的推理能力。 （3
转载
2023-10-24 00:51:32
320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
图神经网络GNN学习笔记：基于GNN的图表示学习1. 图表示学习2. 基于GNN的图表示学习2.1 基于重构损失的GNN2.2 基于对比损失的GNN参考资料 本文主要就基于GNN的无监督图表示学习进行详解。在实际的应用场景中，大量的数据标签往往具有很高的获取门槛，研究如何对图数据进行高效的无监督表示学习具有十分重要的价值。 1. 图表示学习图表示学习（graph embedding）又可以称为
转载
2023-10-29 23:04:15
25阅读
很久之前，我刚开始接触神经网络的时候，就有这么一句传闻——“不要碰图神经网络，会变得不幸！”为什么？我今天就带你了解一下。基本知识首先，我们看一下图神经网络在学习一个图的时候，到底是一个什么过程： 可以看到，这个例子给的和传统的卷积网络类似，我们层与层之间只是学习点的1近邻的内容，但是随着层的叠加，我们每个节点的感受野会逐渐增大，最终得到整个图上几乎所有顶点的信息。我们先说一下数据结构的
转载
2023-12-05 08:51:47
49阅读
前言过去的十多年中，神经网络在图像和文本等结构化数据中已经表现的十分出色。CNN，RNN，自编码器（Autoencoders）等很多流行的模型在以矩阵或向量作为输入的结构形式数据上都能很好地工作，我称这些结构化的数据为表格数据。而这些模型在非结构化数据上的表现怎样呢？比如最近大家在研究中频繁碰到的图结构数据，如果不将这些非结构化的图数据经过复杂的转换变为表格格式的话，使用传统的方法基本无从下手，那
转载
2024-04-07 17:45:32
80阅读
GNN 应用领域：场景分析与问题推理、推荐系统、欺诈检测、知识图谱、道路交通、自动驾驶、化学医疗场景图 GNN 又称图神经网络，是一种直接作用于图结构的神经网络，我们可以把图中的每一个节点 V 当作个体对象，而每一条边 E 当作个体与个体间的某种联系，所有节点组成的关系网就是最后的图 U GNN主要用于解决输入数据不规则的时候，由于图像和文本任务中输入格式
转载
2023-08-21 16:05:52
206阅读
使用GNN的原因：图结构数据的表示一般是不规则，传统的CNN等模型无法直接运用在图数据上，所以需要在图上重新定义卷积操作。其中要着重考虑感受野如何定义，节点的顺序性如何定义，如何进行池化操作。具体有以下三点：CNN无法处理Non Euclidean Structure的数据，学术上的表达是传统的离散卷积在Non Euclidean Structure的数据上无法保持平移不变性。通俗理解就是在拓扑图
转载
2023-11-07 12:07:30
187阅读
一、图神经网络GNN简介图(graph)是⼀种数据结构，图神经⽹络(GNN)是深度学习在图结构上的⼀个分⽀。常⻅的图结构包含节点(node)和边(edge)，其中，节点包含了实体(entity)信息，边包含实体间的关系(relation)信息。现在许多学习任务都需要处理图结构的数据，⽐如物理系统建模(physics system)、学习分⼦指纹(molecularfingerprints)、蛋⽩质
转载
2023-11-17 21:47:54
127阅读
