论文笔记之Learning Convolutional Neural Networks for Graphs

最新推荐文章于 2022-04-28 00:38:10 发布
最新推荐文章于 2022-04-28 00:38:10 发布
阅读量1w 收藏 13
点赞数 1
分类专栏： 论文笔记 cnn graph dl
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BVL10101111/article/details/53484620
版权
该论文提出了一种将卷积神经网络应用于图数据的新方法。通过Weisfeiler-Lehman算法对图进行标记和节点排序，然后构建固定大小的子图，转化为向量输入到传统CNN进行学习。流程包括图标记、节点选取、遍历、邻域构建、重新标记和规范化，最终生成w(k+1)维向量。
摘要由CSDN通过智能技术生成

本篇论文是2016ICML上的一篇论文，对于如何将cnn应用在graph上提供了一种新的思路。

架构：
这里写图片描述
总体上讲，就是用w个固定size=（k+1）的子图来表示输入的graph，再将这w个子图正则化后,生成一个w(k+1)维的向量，作为传统的cnn的输入，进行学习。其实就是做了一个从graph到向量的映射的一个预处理过程。

算法流程
输入：任意一张图
输出：每个channel输出w个receptive field

Step1： graph labeling（对图的节点做标记，比如可以用节点的度做标记，做图的划分，也 可以叫做color refinement or vertex classification）
文中采用The Weisfeiler-Lehman algorithm做图的划分。由此可以得到每个节点的rank 值（为了不同的图能够有一个规范化的组织方式）

Step2：对labeling好的节点排序，取前w个节点，作为处理的节点序列。（这样就可以把不 同size的graph，变成同一个size）若不足w个节点，则，在输出中加全零的receptive field，相当于padding

Step3：采用stride=s

最低0.47元/天 解锁文章
BVL10101111
关注
专栏目录
Learning Convolutional Neural Networks for Graphs
qq_45312141的博客
06-15 1226
Learning Convolutional Neural Networks for Graphs一级目录Node Sequence Selection三级目录 一级目录 Node Sequence Selection 首先对于输入的一个GraphGraphGraph，需要确定一个宽度www，它表示也就是要选择的nodesnodesnodes的个数。其实也就是感知野的个数（其实这里也就是表明，每次卷积一个nodenodenode的感知野，卷积的stride=kernel sizestride= k
文献阅读18期：Learning Convolutional Neural Networks for Graphs
机语
06-14 354
[ 文献阅读·图神经网络 ] Learning Convolutional Neural Networks for Graphs [1] 推荐理由：本文考虑两个问题，一是训练一个可以用于未知图的函数，让未知图可以有效进行分类和回归问题求解。二是用于对未知图的特性进行预测（如点或边的缺失）。 1.摘要&简介 本文的目的在于建立一种用于表达有向图或无向图的框架。 如果要理解图神经网络的卷积，那就得先理解传统的卷积神经网络CNN。如图1所示，从图卷积的角度去看，CNN就像是一个遍历所有节点，然后固定
导读ICML2016 - Learning Convolutional Neural Networks for Graphs
mmc2015的专栏
06-20 5332
http://mp.weixin.qq.com/s?__biz=MzIxNzE2MTM4OA==&mid=2665642794&idx=1&sn=b11ec8699218d43bb7b404a4980bf82e&scene=25 感觉方法挺好： 论文引介 |Learning Convolutional Neural Networks for Graphs 原创 201
Learning Convolutional Neural Network for Graphs
Blah_Z的博客
04-28 2485
初读，入学前的论文阅读，学识尚浅，敬请大佬批评指正
【论文通俗解读】Learning Convolution Neural Networks for Graphs
weixin_39052229的博客
06-28 379
文章目录一、论文概述二、思路三、方法讲解1. Node Sequence Selection2. Neighborhood Assembly3. Graph Normalization4. 方法总结四、效果展现五、总结与思考 论文链接：https://arxiv.org/pdf/1605.05273.pdf 代码链接：https://github.com/seiya-kumada/patchy-san/ 一、论文概述 该文于2016年在顶会ICML上发表。 随着深度学习的发展，神经网络在文本，图像等结构化
【论文阅读】Learning Convolutional Neural Networks for Graphs
weixin_43751558的博客
10-23 543
出版：ICML 2016 原文：http://211.81.63.130/cache/2/03/proceedings.mlr.press/cb5795e96aa42362f86e2ba3a13c32af/niepert16.pdf 卷积神经网络（CNN）可以提取图像像素点邻域的信息，从而抽取空间特征。而CNN处理的图像数据中像素点是排列成整齐的矩阵的，也就是Euclidean Structure结构。而对于graph这种拓扑结构，每个结点的度都不一样，原始的CNN就没办法处理了。这篇论文就提出了一种一般性
Learning Convolutional Neural Networks for Graphs论文笔记
昼
11-04 248
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Network for Graphs解读
WangKingJ的博客
11-17 1055
本片论文是2016ICML的一篇论文，将的是如何将CNN应用在graph上的一种新的思路。关于graph 这个数据结构如果不熟悉的话，可以看一下文章末的简单的整理。 1.概要   对于图卷积，总体来说，就是用w个固定size=(k+1)的子图来表示输入的graph，再将这w个子图正则化后，生成w(k+1)维的向量，作为传统的CNN网络的输入，进行学习。其实就是做了一个从graph到向量的映射的一个...
从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型（人工智能神经网络模型看这篇就够了）
iFlyAI的博客
10-12 1079
摘要:最早的GNN主要解决的还是如分子结构分类等严格意义上的图论问题。但实际上欧式空间(比如像图像 Image)或者是序列(比如像文本 Text)，许多常见场景也都可以转换成图(Graph)，然后就能使用图神经网络技术来建模。2009 ... 人工智能学习离不开实践的验证，推荐大家可以多在FlyAI-AI竞赛服务平台多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型...
2018-Graph Convolutional Neural Networks for Web-Scale Recommender Systems.pdf
06-11
2018-Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Kernel Graph Convolutional Neural Networks
weixin_42358688的博客
06-06 1643
摘要：图核已成功地应用于许多图分类问题中。通常，首先设计一个核，然后根据核隐式定义的特征训练SVM分类器。这种两阶段的方法将数据表示从学习中解耦，这是次优的。另一方面，卷积神经网络(CNNs)有能力在训练过程中直接从原始数据中学习自己的特征。不幸的是，它们不能处理图表等不规则数据。我们通过使用图核嵌入有意义的l来解决这个问题 ...
Graph Convolutional Neural Network - Spectral Convolution 图卷积神经网络 — 频域卷积详解
Jay_Tang的博客
08-24 2669
Fourier Transform Virtually everything in the world can be described via a waveform - a function of time, space or some other variable. For instance, sound waves, the price of a stock, etc. The Fourier Transform gives us a unique and powerful way of viewin
Graph Convolutional Neural Network - Spatial Convolution 图卷积神经网络 — 空域卷积详解
Jay_Tang的博客
08-20 5481
Convolutional graph neural networks (ConvGNNs) Convolutional graph neural networks (ConvGNNs) generalize the operation of convolution from grid data to graph data. The main idea is to generate a node vvv’s representation by aggregating its own features xv\
图卷积神经网络（Graph Convolutional Neural Network）（转）
法相的博客
06-21 7404
mark一下，感谢作者分享！ 《图卷积神经网络（Graph Convolutional Neural Network）》：https://blog.csdn.net/chensi1995/article/details/77232019 《卷积神经网络不能处理“图”结构数据？这篇文章告诉你答案》：https://www.leiphone.com/news/201706/ppA1Hr0M0fLq...
图卷积神经网络（GCN）
SmartLab307的博客
09-27 5743
前言 转自：「阿泽的学习笔记」。 断断续续写了一个多星期，期间找了很多同学讨论学习，感谢指导过点拨过我的同学们，为了精益求精本着不糊弄别人也不糊弄自己的原则在本文中探讨了很多细节。当然，还有很多细节没提到，包括总变差（Total Variation）、空域和频域视角下的图信号等，有兴趣的同学可以深入了解下图信号处理，本人才疏学浅还希望抛砖引玉引出更多的 GCN 的文章。 ...
Graph Convolutional Network (GCN) 图卷积网络
酒酿小圆子呀～
07-03 1218
基本原理： 强烈推荐： 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例。 参考博客
Adaptive Graph Convolutional Neural Networks
qq_45312141的博客
06-12 3365
Adaptive Graph Convolutional Neural Networks1、Introduction1、Introduction1、Introduction2、Method2、Method2、Method2.1 SGC−LL Layer2.1\ SGC-LL\ Layer2.1 SGC−LL Layer1.学习图Laplacian2.训练图更新的度量3.特征转换重参数化4. 残差图Laplacian2.2 AGCN网络Graph Max Pooli
深度学习神经网络解析：从基础到CNN实现
文章中还提到了Keras，这是一个高级神经网络API，建立在TensorFlow等深度学习框架之上，使得模型构建、训练和评估过程更加直观和高效。在本研究中，Keras被用来实现CNN模型，展示了其实现复杂神经网络架构的便利性。...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值