接上篇博客，这周主要学习了GraphSAGE，GAT，R-GCN 三种GNN的变体模型，从空域的角度出发，对节点的嵌入表征进行了深入的研究。（本文作为笔者的学习笔记，如有错误，希望各位读者批评指正） - - 更新时间:2020年11月8日 目录GraphSAGE(SAmple and aggreGatE）聚合函数参数学习代码总结GAT(Graph Attention Networks)总结R-GC
图机器学习（GNN的理论）1. 前言在已经提出GCN、GAT、GraphSAGE、design space等众多GNN模型的前提下，各种模型的表示能力（区分不同图结构的能力）如何？我们如何设计这样一种表示能力最强的模型？1. GNN模型实例GCN：mean-pool + Linear + ReLU non-linearityGraphSAGE（以最大池化为例）：MLP + max-pool2. l
转载
2024-07-14 08:26:50
46阅读
的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章...
转载
2022-08-11 12:35:13
293阅读
GNN的可视化解释！近来发现非常多的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章，便将其翻译整理和大家一起分享。目前图模型的应用非常广泛，最典型的如社交网络，蛋白质结构等。
原创
2021-07-09 14:54:54
893阅读
文章目录一、简介二、算法原理三、评价方法四、实验结果五、实验代码 一、简介GN算法是一个经典的社区发现算法，它属于分裂的层次聚类算法，最初，由Michelle Girvan和Mark Newman提出。其基本思想是不断的删除网络中具有相对于所有源节点的最大的边介数的边，然后，再重新计算网络中剩余的边的相对于所有源节点的边介数，重复这个过程，直到网络中，所有边都被删除。边介数（betweennes
转载
2023-10-21 07:53:34
50阅读
一、 GraphSAGE GraphSAGE从两个方面对GCN进行了改动，一方面是通过采样邻域策略将GCN全图（full batch）的训练方式改造成以结点为中心的小批量（mini batch）训练方式，这使得大规模图数据的分布式训练成为可能；另一方面是该算法对聚合邻居操作进行了拓展，提出了替换GC ...
转载
2021-07-23 17:47:00
647阅读
2评论
目录1. 安装2. 基本概念介绍2.1 Data Handling of Graphs 图形数据处理2.2 Common Benchmark Datasets 常见的基准数据集2.3 Mini-batches2.4 Data Transforms 数据转换2.5 Learning Methods on Graphs——the first graph neural network 搭建我们的第一个
转载
2023-07-24 10:55:00
1080阅读
# Python GNN（图神经网络）入门指南
图神经网络（Graph Neural Networks, GNN）是一类专门用于图数据的深度学习模型。与传统的神经网络不同，GNN能够很好地捕捉数据中节点之间的关系，广泛应用于社交网络、推荐系统、化学分子结构分析等领域。
## 什么是图？
在图论中，图由节点（或称为顶点）和边构成。节点可以是人、物体或其他离散实体，而边则表示节点之间的关系。在实
今天学习的是新加坡国立大学和中国科技大学同学合作的论文《Neural Graph Collaborative Filtering》，发表于 2019 年 ACM SIGIR 会议。Embedding 向量是现代推荐系统的核心，但是目前的方法无法捕捉到 user-item 交互中潜在的协作信号。因此，由此产生的 Embedding 向量可能不足以捕获到协同过滤的内容。为此，作者提出神经网络协同过滤（
原创
2021-02-04 20:25:29
1828阅读
2. 读《Graph Neural Networks:A Review of Methods and Applications》-20192.1 基本概念图神经网络（GNNs）是通过图的节点之间的消息传递来获取图的依赖性的连接模型。与标准的神经网络不同，图神经网络保留了一种能够以任意深度表示其邻域信息的状态。基于图形卷积网络（GCN）、图形注意网络（GAT）、门控图形神经网络（GGNN）等图形神经
转载
2024-04-29 15:20:29
351阅读
今天学习的是 MIT 同学 2018 年的论文《Representation Learning on Graphs with Jumping Knowledge Networks》，发表于 ICML，目前共有 140 多次引用。目前的图表示学习都遵循着领域聚合的方式，但这种方式的层数无法增加，kipf 的 GCN 使用了两层模型，随着深度增加会出现 over-smooth 的问题，导致性能下降。为
原创
2021-02-04 20:27:34
575阅读
今天学习的是 DeepMind 2018 年的工作《Relational inductive biases, deep learning, and graph network》，目前超 500 次引用。这篇论文是 DeepMind 联合谷歌大脑、MIT、爱丁堡大学等 27 名同学发表的重磅论文，同时提出了“图网络”的框架，将端到端学习与归纳推理相结合，并有望解决深度学习无法进行关系推理的问题。这篇
原创
2021-02-04 20:29:45
1339阅读
今天学习的是 MIT 同学 2018 年的论文《Representation Learning on Graphs with Jumping Knowledge Networks》，发表于 ICML，目前共有 140 多次引用。
原创
2021-07-09 17:28:01
558阅读
将二部图中的协同信号捕捉到 Embedding 中
原创
2021-07-24 11:35:36
10000+阅读
原始GNN是应用在带标签信息的节点和无向边的图上，这是最简单的图结构。但是世界上有很多不同种类的图，而这就要求不同的GNN来处理。这里介绍几种不同种类的图：有向图：无向边可以当作节点中存在两个有向边。但有向边能够比无向边带来更多的信息。比如说知识图谱中就用到了有向边，来确定父项和子项。异构图：异构图是指存在几种不同类型的节点。处理异构图最简单的方法是把节点的类型视为节点特征的一部分，拼接到节点原有
转载
2024-03-26 07:03:07
198阅读
DeepMind 联合谷歌大脑、MIT、爱丁堡大学等 27 名同学发表的重磅论文
原创
2021-07-20 15:58:21
801阅读
Attention 在 GNN 中的应用。
原创
2021-07-24 11:29:40
2054阅读
GNN入门之路02 这次是我在GNN学习中的第二次打卡，上一节的内容中我们介绍了GNN的基本原理以及相应的环境配置，这一节我们接上一节的内容，继续讲解GNN及其相应实现。一、消息传递范式 这里我们要引入消息传递范式的概念，顾名思义，它是规定了一种消息传递的方式，这种消息自然是在图神经网络中传播的了，传统的神经网络，消息传递受层次限制，比如i层的神经元信息不能直接传递到i+2层，而GNN则不同如更新
转载
2024-05-13 09:05:41
115阅读
今天学习的是剑桥大学的同学 2017 年的工作《GRAPH ATTENTION NETWORKS》，目前引用数量超过 1100 次。Attention 机制在 NLP CV 等领域被广泛应用，其可以帮助模型对输入数据赋予不同的权重信息。同样的，Attention 也可以应用于网络图中，它可以对邻居中不同的节点指定不同的权重，既不需要进行矩阵运算，也不需要事先了解图的全局结构。通过这种方式，作者解决
原创
2021-02-04 20:33:31
1530阅读
# 使用Python实现图神经网络（GNN）
在人工智能和深度学习的领域中，图神经网络（Graph Neural Networks, GNNs）近年来逐渐成为一个热门研究方向。与常规的神经网络不同，GNN能够处理图形数据，即节点（Node）和边（Edge）结构，将节点的特征有效地传递和聚合。这使得GNN在社交网络分析、推荐系统、化学分子分析和计算机视觉等领域得到了广泛应用。
## 什么是图神经
