文献阅读（25）AAAI2020-EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph

原创 已于 2022-10-28 12:17:12 修改 · 3.4k 阅读 · 8 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #人工智能

于 2020-09-21 13:51:08 首次发布
本文介绍EvolveGCN模型，该模型利用图卷积网络(GCN)学习节点表示，并通过门控循环单元(GRU)或长短期记忆(LSTM)网络使权重矩阵随时间演化。适用于动态图场景。

本文是对《EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph》一文的浅显翻译与理解，如有侵权即刻删除。

朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~

Chinese-Reading-Notes-of-Graph-Learning

更多相关文章，请移步：文献阅读总结：网络表示学习/图学习

文章目录

Title

《EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph》

——AAAI2020

Author: Aldo Pareja

总结

1 GCN

文章利用GCN学习节点表征，并用GRU或LSTM学习GCN中的参数，即权重矩阵。这样其权重矩阵就能够随着时间不断演化，而最终需要学习的参数，只是GRU或LSTM中用来演化权重矩阵的参数。提出的EvolveGCN模型示意图如下：

在这里插入图片描述
即在每个时刻，都用RNN模型演化GCN中的参数，而GCN最终的计算公式如下：

最低0.47元/天 解锁文章

200万优质内容无限畅学
动态图算法：EvolveGCN——融合GNN和RNN的离散型动态图神经网络
DevScript的博客
09-08 1045
在forward函数中，我们首先将输入特征x通过GCN模块进行两次更新，然后将更新后的特征输入到GRU模块中进行时间维度上的演化。在图神经网络（Graph Neural Network，GNN）和循环神经网络（Recurrent Neural Network，RNN）领域，EvolveGCN是一种创新的算法，它将GNN和RNN结合在同一层，并利用时间和空间信息进行建模。在上述训练过程中，我们首先通过前向传播获取模型的输出结果，然后计算损失值，并利用反向传播和优化器对模型参数进行更新。
[论文解读]All in one：: Multi-Task Prompting for Graph Neural Networks图神经网络的多任务提示
强化学习曾小健
02-26 2033
这个函数可能是对提示图参数进行操作的某种计算，比如根据这些参数生成新的节点表示，或者更新模型的状态以适应新任务。在不同的上下文中，函数 f(θ) 可以有不同的具体含义，它通常会涉及到如何使用这些参数来影响模型的行为或其对数据的处理方式。不过，由于我无法直接查看PDF文件的内容，所以这里的解释是基于常见的机器学习和深度学习术语的一般性解释。提示图是一种用于调整预训练模型以适应特定任务的结构，这些参数可能包括用于构造提示的节点和边的权重，或者其他用于定义提示图结构的属性。与原始图 G 结合后的新表达式。
时序图 循环_【知识图谱系列】动态时序知识图谱EvolveGCN
weixin_39863161的博客
12-17 1631
EvolveGCN (AAAI 2020) 分享EvolveGCN汇报ppt版可通过关注公众号机器学习与自然语言处理​mp.weixin.qq.com回复关键词：EvolveGCN 来获得，供学习者使用！一、背景知识在上一篇CompGCN中讲解了异质知识图谱在处理复杂实体间多关系类型的方案。本篇分享知识图谱落地时另一重要场景：动态时序知识图谱，下面先给出动态时序知识图谱的基本概念，方便还不熟悉的同...
EvolveGCN:动态图的参数演化图卷积网络 AAAI2020
goto_past的博客
11-04 9510
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs 论文链接. Abstract 由于深度学习在欧几里得数据中的广泛应用，图表示学习重新成为一个趋势，它激发了非欧几里得领域(尤其是网络图)神经网络的各种创造性设计。随着这些图神经网络(GNN)在静态设置中的成功，我们进一步考虑图动态演化的实际场景。现有的方法通常利用节点嵌入，并使用递归神经网络(一般为 RNN)来调节嵌入和学习时间动态。这些方法需要了解一个节点的全部时间跨度(
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
Milkha的博客
03-01 2289
文章目录1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性 论文地址：https://arxiv.org/pdf/1902.10191 来源：AAAI, 2020 源码地址：EvolveGCN 关键词：Dynamic Graphs, GCN 1 前言 该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的表征通过RNN来学习不断进化的graph，这种方法在学习表征时需要知道结点在所有时间区间上的变化（相当于是transductiv
【论文导读】- EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs（EvolveGCN：用于动态图的演化图卷积网络）
1+1=王的博客
02-23 6241
由于深度学习在欧几里得数据上的广泛应用，图表示学习重新成为一个热门的研究课题，它激发了非欧几里得领域神经网络，特别是图的各种创造性设计。随着这些图神经网络( Graph Neural Networks，GNN )在静态环境下的成功，我们进一步逼近了图动态演化的实际场景。现有方法通常借助节点嵌入，并使用循环神经网络( RNN ,广义上讲)来调节嵌入和学习时间动态。这些方法需要节点在全时间跨度(包括训练和测试两部分)内的知识，对于节点集频繁变化的情况适用性较差。
【论文学习】ST-GCN：Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition
LoveKKarlie_的博客
03-02 2166
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition；AAAI2018；基于skeleton动作识别的时空图卷积网络；提出了一种基于图的神经网络动态骨架建模方法时空图卷积网络ST-GCN；针对骨架建模的具体要求，提出了ST-GCN中卷积核的设计原则。
文献阅读总结：网络表示学习/图学习
CSDNTianJi的博客
02-06 5423
本文是对网络表示学习(Network/Graph Representation/Embedding Learning)领域已读文献的归纳总结，长期更新。
【未完】【GNN笔记】EvolveGCN:Evolving Graph Convolutional Networks for Dynamics Graphs
最新发布
panbaoran913的博客
05-16 1030
Q:在前面提到，EvolveGCN在每一层将GNN和RNN结合在同一层。A：普通GCN的公式如下图所示，EvolveGCN的公式与之相同。当下默认args.model=‘egcn_o’，查看其他变量。如果节点信息⽐较少，-O效果好，因为他更关系图结构的变化。如果节点有信息，-H效果要好，因为考虑了节点的特征变化。,因此会存在数据维度不同的情况，因此设定了一个。采用快照的方法构图，同DySAT一样。Q:同一时刻数据在不同层如何计算？Q:在同一层不同时刻如何计算？第一次初始化，如下图。整体过程：如下图所示。
EvolveGCN：动态图的演化图卷积网络 翻译
weixin_43889128的博客
11-05 1662
摘要 由于深度学习广泛用于欧氏数据，图形表示学习作为一种趋势研究学科而兴起，这激发了非欧氏域中神经网络的各种创造性设计，尤其是图形。 随着这些图神经网络（GNN）在静态环境中的成功使用，我们可以处理图在动态发展的其他实际情况。 现有的方法通常诉诸于节点嵌入，并使用递归神经网络（广义上说是RNN）来调节嵌入并学习时间动态。 这些方法需要了解整个时间范围内的节点（包括训练和测试），并且不适用于频繁更改节点集的情况。 在某些极端情况下，不同时间步长的节点集可能会完全不同。 为了解决这一挑战，我们提出了Evolve
探索EvolveGCN：IBM的动态图神经网络框架
gitblog_00005的博客
04-18 430
探索EvolveGCN：IBM的动态图神经网络框架 EvolveGCN项目地址:https://gitcode.com/gh_mirrors/ev/EvolveGCN 是由IBM开发的一个深度学习框架，专门用于处理随时间演变的图数据。它结合了图卷积网络（Graph Convolutional Networks, GCNs）和递归神经网络（Recurrent Neural Networks, RN...
EvolveGCN 文献阅读笔记
NINJA_xu的博客
10-09 409
论文题目 EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs 发表日期、所属会议/期刊/预印本: AAAI 2020 做得什么: EvolveGCN在时间维度上采用了图卷积网络（GCN）模型，而无需借助节点嵌入。所提出的方法通过使用RNN来进化GCN参数来捕获图序列的动态性。 怎么做的（重点）: EvolveGCN的整体演示图 RNN可以为GRU或LSTM等循环神经网络，时...
【亲测免费】 EvolveGCN 项目使用教程
gitblog_00685的博客
08-16 570
EvolveGCN 项目使用教程 1. 项目的目录结构及介绍 EvolveGCN 项目的目录结构如下： EvolveGCN/ ├── data/ │ └── README.md ├── models/ │ └── README.md ├── utils/ │ └── README.md ├── README.md ├── LICENSE ├── requirements.txt └──...
2023.2.9，周四【图神经网络 学习记录22】动态图算法 之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-09 769
【图神经网络 学习记录22】动态图算法 之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模
Dynamic Graph Convolutional Networks. Pattern recognition 2019
CDUTCo的博客
09-16 909
摘要 我们的目标是通过使用神经网络模型来联合开发结构化数据和时间信息。基于这个原因，我们提出了两种新的方法，将长-短期记忆网络和图卷积网络结合起来，结合图结构来学习长-短期依赖关系。 介绍 balabalbala....，许多真实世界的结构化数据是动态的，并且图中的节点/边可能会随着时间而变化。在这种动态场景中，时间信息也可以发挥重要作用。 LSTM和GCN简介。 本文的组织结构如下：第2节总结了最相关的方法。在第3节中，我们描述了我们的方法。第4节介绍了与基准方法的比较。第5节通过讨论我们的发现
Temporal Graph Neural Network：EvolveGCN、MPNN-LSTM
weixin_65191557的博客
09-16 1234
本文介绍了一种具有时空信息的新型图。这个时间分量在许多应用中都很有用，主要与时间序列预测有关。我们描述了适合这种描述的两种类型的图：静态图，其中特征随着时间的推移而变化，以及动态图，其中特征和拓扑可以改变。此外，我们还介绍了时态GNN的两种应用。首先，我们实现了EvolveGCN架构，它使用GRU或LSTM网络来更新GCN参数。我们通过重新访问网络流量预测来应用它，并在有限的数据集上取得了出色的结果。其次，采用MPNN-LSTM结构进行疫情预测。我们对英格兰Covid数据集应用了一个带有时间信号的动态图，但
多标签分类(八):Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition
weixin_43436958的博客
10-07 4981
注意力驱动的动态图形卷积网络用于多标签图像识别 摘要   近年来，为了提高多标签图像的识别精度，研究中经常使用图卷积网络(GCN)来建模标签依赖关系。但是，通过计算训练数据的标签共现可能性来构造图可能会降低模型的通用性，特别是当测试图像中存在偶然的共现对象时。我们的目标是消除这种偏差并增强学习特征的鲁棒性。 为此，我们提出了一种注意力驱动动态图卷积网络（ADD-GCN），可以为每个图像动态生成特定图。ADD-GCN采用动态图卷积网络(D-GCN)对语义注意模块(SAM)生成的内容感知类别表示的关系进行建模.
EvolveGCN 原理解读
siper12138的博客
03-27 707
H 更关注节点上的信息，-O 更关注图整体结构的变化。GCN与RNN的结合体：以此捕捉动态图的动态特征。提取某一时刻图节点的特征，但是不对参数进行修改。结合相邻时刻图节点的特征更新GCN的参数。
论文阅读”Multigraph Fusion for Dynamic Graph Convolutional Network“（TNNLS2022）
qq_43497436的博客
08-30 1121
图卷积神经网络GCN——现有的GCN都关注于表征学习，即，设计不同的卷积操作——现实场景下，由于噪音和异常值的影响，初始图常常会有一些错误的链接，这会导致特征学习的效果变差——于是，提高初始图的质量可以提高GCN的性能——图学习的目的是，可以输出高质量的图谱以保证表征学习的质量——图的质量可以由很多因素影响，诸如：噪音，原始数据的冗余，数据结构的保存情况等。传统的图融合方法，应用一个图学习方法来实现图融合，该方法最小化期望的公共图和预定义的多个图之间的差异。，在公式5中的第二项，都是从原始数据中学习到的；.
细粒度元学习框架：AAAI2020-RFMetaFAS的Pytorch代码实现
资源摘要信息:"AAAI2020-RFMetaFAS" 在介绍这一资源之前，首先需要明确几个关键概念。AAAI（The Association for the Advancement of Artificial Intelligence）是一个专注于人工智能领域的学术组织，每年会举办一...
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