台大2020课程-GNN(Graph Nerual Network)课程笔记

最新推荐文章于 2023-07-29 12:32:33 发布
最新推荐文章于 2023-07-29 12:32:33 发布
阅读量364 收藏
点赞数
分类专栏： 图神经网络 文章标签： 台大 图神经网络
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/A_A666/article/details/108433343
版权
课程链接:

https://www.bilibili.com/video/BV1G54y1971S?from=search&seid=5084415522145555976

笔记

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
!Notes：空间域使用较多的是GAT，谱域使用较多的是GCN

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
！Notes：这里上面的四张图像表示的是四组graph spectral域的基同时由下面的分析可以知道 λ \lambda λ越大，对应相邻节点的信息变化也就越大，说明频率越高。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

总结

我觉得课程将结合信号中的卷积和滤波概念，将GCN的公式是怎么一步步推导出来的讲述的比较清晰，之前看深入浅出图神经网络上直接告诉我们graph spectral上的信号 x ^ = U T x \hat{x} = U^Tx x^=UTx,并没有解释这个过程，同时也给出了一些spatial model 的Aggregation和readout的做法，还有最后实验上的一些说明。

不知道叫啥好一点
关注
专栏目录
百度7天GNN学习-课件学习
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
01-14 283
第一课 图学习应用 图学习分类算法 PGL框架 易用性 高效性 大规模 丰富性 落地业务 自研项目 Lesson1课程学习内容 图概念补充 特征有：节点特征，边特征，结构特征 图分类 图的度和邻居（重点有向图） 边数根据方向；后继者是出度指向的点；邻接矩阵的表示也是根据方向为1/0；边集表示也是根据方向 图表示（重点邻接表） 邻接表：针对稀疏大图使用 图特征 第二课 总结 图表示由来 词的语义
百度7天GNN学习-入门参考（待学习）
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
01-07 261
参考 https://maelfabien.github.io/machinelearning/graph_5/ https://maelfabien.github.io/machinelearning/graph_4/#i-link-prediction https://towardsdatascience.com/learning-in-graphs-with-python-part-3-8d5513eef62d 图学习1 图学习2 python学习图 ...
GNN学习资料分类整理——（持续更新）
qq_41970098的博客
09-29 1393
本文将学习资料分为论文、视频、课件、博客和用于实践的库，共5类。零基础玩家推荐先看博客有一个简单的认识，然后看视频或课件对课题有一个宏观的把握，针对论文可以看两篇经典的综述文章然后泛读自己领域相关的前沿知识，实践库就自己边学边玩嘛。
[2021最新] 顶级大佬的GNN教学视频
weixin_45519842的博客
03-18 628
本期我们为大家推荐几个图深度学习的课程。这些课程都是由业内大牛主讲，如GAT一作Velikovic关于图神经网络理论基础的分享，斯坦福Jure关于GNN设计空间的分享，Bresson关于G...
图神经网络（GNN）入门学习笔记（直观且简单）
最新发布
hanmo22357的博客
07-29 2053
顶点集（V）：图中的所有顶点构成一个顶点集；边集（E）：图中的所有边构成一个边集；图整体（U）：完整考虑一个图的所有顶点和边以及对应的拓扑结构，图的整体被称为U。在计算机中，无论是顶点集、边集或者图整体都可以使用向量进行表示。顶点向量中的各个值表示顶点的属性；边向量中的各个值表示边的属性；图向量同理。另外，一张图也可以使用离散数学中的邻接矩阵进行表示，具体内容可以参见离散数学课程教材。
【论文笔记（4）】MV-GNN: Multi-View Graph Neural Network for Compression Artifacts Reduction
weixin_38328533的博客
09-23 1704
MV-GNN: Multi-View Graph Neural Network for Compression Artifacts Reduction摘要简介相关工作单幅图像压缩伪影的减少多幅图像压缩伪影的减少图卷积神经网络总结方法问题描述特征提取网(FENET)基于GNN的动态融合网重构网 摘要 在许多面向交互的3D视觉应用中，多视点视频(MVV)中不可避免的压缩伪影会明显降低体验质量。 在非对称编码的框架下，考虑到不同视点之间的相似性，利用相邻视点的高质量图像对低质量图像进行增强。 然而，压缩伪影和翘曲
2019-KDD-DEMO-Net Degree-specific Graph Neural Networks for Node
08-04
受深度学习在网格结构数据中成功的影响，图神经网络（GNN）被提出用于学习强大的节点级或图级表示。然而，现有的大多数图神经网络存在以下限制： 1. 对于图卷积的特性分析不足，如种子导向性、度感知性和无序性； 2...
GNN2021(十九) GraphReach: Position-Aware Graph Neural Network using Reachability Estimations，IJCAI2021
qq_36618444的博客
09-09 669
本篇文章可以看做是之前写过的博客Position-aware Graph Neural Networks，ICML2019 中P-GNN的改进，有兴趣的小伙伴可以点击传送门去看哈。 Introduction 从直觉来说，GNN中，两个距离非常远但位于相似区域的节点应该映射到相似嵌入，但是基于同质性假设的GNN并不能很好地做到这一点。因此，为了引入全局的节点位置信息，在P-GNN的基础上提出GRAPHREACH，具体来说就是通过对一组锚节点（anchor nodes）的可达性估计来捕获节点的全局位置。换句话.
2019-ICLR-CAPSULE GRAPH NEURAL NETWORK-网文-rrr1
08-08
而胶囊图神经网络（CapsGNN）则是这一理念与图神经网络（Graph Neural Network, GNN）的结合，旨在更好地捕捉图数据的宏观属性和局部细节。本文将深入探讨CapsGNN的核心概念、结构以及其在图分类任务上的优势。 ...
2019-ICML-YOU-Position-aware Graph Neural Networks-利用邻近锚点集，强化位置描
08-04
【Position-aware Graph Neural Networks（P-GNN）】是2019年ICML会议上提出的一种新的图神经网络架构，旨在解决传统GNN在捕获节点在整体图结构中位置信息的局限性。P-GNN的核心思想是通过采样一组锚点节点，并计算...
从0开始的GNN导学课程笔记
诸神缄默不语的博客
04-14 2018
GNN入门课程笔记
【GNN】万字长文带你入门 GCN
阿泽的学习笔记
05-21 1759
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。 非常感谢知乎 @superbrother 同学和蘑菇先生的精彩笔记才使得我能够入门 GCN，当然我也将公开我的笔记希望能帮助更多的同学。 1. Convolutional
【图基础】最佳入门课程：图卷积神经网络（中科院 计算所 沈华伟）
vector的博客
03-22 1990
本篇博客为中国科学院计算技术研究所 沈华伟老师 Convolutional Neural Networks 课程笔记，非常详细，适合入门。老师从CNN开始引入，围绕如何在graph上解决卷积操作，逐步介绍了图卷积的谱方法以及空间方法的发展过程，进而回答了谱方法与空间方法的关系。...
台湾大学李宏毅机器学习课程
06-04
李宏毅（（Hung-yi Lee）目前任台湾大学电机工程学系和电机资讯学院的助理教授，他曾于2012年获得台湾大学博士学位，并于2013年赴麻省理工学院（MIT）计算机科学和人工智能实验室做访问学者。他的研究方向主要是语义理解、语音识别、机器学习和深度学习）老师的机器学习课程以机器学习和深度学习的基础知识为主，包含了AI领域的各种最新知识和技术点。课程深入简出，通俗易懂，颇受欢迎，非常适合对AI感兴趣的学习者。本课程已经获得李宏毅老师授权。
GNN 系列：Graph 基础知识介绍
Datawhale
08-01 4103
点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容【导读】图卷积神经网络(Graph Convolutional Network)作为最近几年兴起的一...
Graph Neural Network（GNN）概述
I‘m Frank Lee
07-06 9128
什么是GNN GNN是Graph Neural Network的简称，是用于学习包含大量连接的图的联结主义模型。当信息在图的节点之间传播时GNN会捕捉到图的独立性。与标准神经网络不同的是，GNN会保持一种状态，这个状态可以代表来源于人为指定的深度上的信息。 图神经网络处理的数据就是图，而图是一种非欧几里得数据。GNN的目标是学习到每个节点的邻居的状态嵌入（embedding），这个状态嵌入是向量且...
【GNN】图注意力网络GAT(含代码讲解)
热门推荐
木盏
03-06 3万+
毫无疑问，图神经网络(Graph Neural Networks)是泛计算机视觉领域内继CNN、GAN、NAS等之后的又一个研究热点，非常powerful。GAT是空域GNN的代表模型，Bengio大佬团队出品，发表在ICLR2018，目前谷歌引用已经1k了。它的特点是，很适合作为上手GNN模型。
GNN教程：图神经网络基础知识！
Datawhale
11-10 1535
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：秦州，阿里巴巴，Datawhale成员系列规划本文为GNN...
Multi-Modal Graph Neural Network for Joint Reasoning on Vision and Scene Text论文笔记
qq_39426646的博客
07-13 1218
Multi-Modal Graph Neural Network for Joint Reasoning on Vision and Scene Text的读书笔记研究目的（为什么要做这个工作）模型概述（MM-GNN）模型原理 研究目的（为什么要做这个工作） 本文的研究工作是为了能够在图像上获取文本或者插图中的信息，从而让机器可以回答关于图像的问题。 本问题的难点在于在图像上读取文本信息，只使用词嵌入模型是远远不够的，因为输入是一个图像的信息而不是关于文本的信息。 模型概述（MM-GNN） 模型将输入的图像
RED-GNN，即Relation Extraction and Distribution Learning with Graph Neural Networks
04-30
RED-GNN是一种基于图神经网络的关系抽取方法，能够自动地从文本数据中识别实体之间的语义关系。RED-GNN的核心思想是将文本数据表示成一个图，其中实体作为节点，实体之间的关系作为边，然后采用图神经网络对这个图进行处理，最终得到实体之间的关系。与传统的关系抽取方法相比，RED-GNN不需要手动设计特征，能够自适应地学习实体之间的语义关系，并且在多个数据集上都取得了优秀的效果。
评论
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