GNN 系列：图神经网络的“开山之作”GCN模型

最新推荐文章于 2024-04-04 01:38:21 发布
最新推荐文章于 2024-04-04 01:38:21 发布
阅读量2.8k 收藏 10
点赞数 1
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/Datawhale/article/details/98477121
版权
本文介绍了图神经网络的基石——GCN模型，它简化了图像处理中的卷积操作并应用于图结构数据。GCN通过近似谱图卷积，用于半监督学习中的节点分类，尤其适用于度分布差异大的网络。虽然内存消耗高，但通过优化可以加速计算。
摘要由CSDN通过智能技术生成

c点击上方“Datawhale”，选择“星标”公众号

第一时间获取价值内容

640?

【导读】这是我们介绍图神经网络的第一篇文章，取自Kipf et al. 2017，文章中提出的模型叫Graph Convolutional Network(GCN)，个人认为可以看作是图神经网络的“开山之作”，因为GCN利用了近似的技巧推导出了一个简单而高效的模型，使得图像处理中的卷积操作能够简单得被用到图结构数据处理中来，后面各种图神经网络层出不穷，或多或少都受到这篇文章的启发。

 

目录

 

 

 

1、问题定义

2、图上的快速卷积近似

     a 谱图卷积(Spectral Graph Convolutions)

     b 逐层线性模型

3、半监督学习节点分类

     a 传播公式解释

     b 例子

4、后话

5、Reference

 

 

 

正文

  1. 问题定义

考虑图（例如引文网络）中节点（例如文档）的分类问题，通常该图中只有一小部分节点有标签。这类

最低0.47元/天 解锁文章
Datawhale
关注
GCN（二）GCN模型介绍
vincent_duan的专栏
09-02 7211
上一节介绍了处理cora数据集，以及返回的结果： features：论文的属性特征，维度2708×14332708 \times 14332708×1433，并且做了归一化，即每一篇论文属性值的和为1. labels：每一篇论文对应的分类编号：0-6 adj：邻接矩阵，维度2708×27082708 \times 27082708×2708 idx_train：0-139 idx_val：200-499 idx_test：500-1499 这一节介绍GCN的模型。 GCN 模型 model: impor
【有啥问啥】图神经网络（Graph Neural Networks）是什么？
最新发布
Chauvin的博客
08-19 2031
在数据科学和机器学习的广阔领域中，图结构数据以其独特的复杂性和丰富性成为了一个重要的研究方向。从社交网络中的用户关系，到生物信息学中的蛋白质交互网络，再到交通网络中的道路连接，图结构数据无处不在。为了有效地处理和分析这些图数据，图神经网络（Graph Neural Networks, GNNs）应运而生，它们为理解和利用图结构数据中的复杂模式提供了强大的工具。
GCN-图卷积神经网络算法简单实现（含python代码）
热门推荐
weixin_50706330的博客
10-29 4万+
GCN-图卷积神经网络算法简单实现（含python代码）
图卷积神经网络模型----GCN
s_nan的博客
08-30 2164
一、傅里叶变换与拉普拉斯变换 傅里叶变换是一种线性的积分变换，这种变换是从时间转换为频率的变换或其相互转换。（原因：我们将信号分解为频域里各种不同频率的信号，又由于频域分析具有很多时域所不具有的特点，故可以比较方便的对原信号进行分析。） 参考：https://zhuanlan.zhihu.com/p/41455378 时域中的信号，我们可以构造一个三角函数之和： 其中傅里叶级数如下图所示： 其中=又称为...
gcn实战_GNN 系列（二）：图神经网络的“开山之作”GCN模型
weixin_33781072的博客
12-31 1611
写在前面这是我们介绍图神经网络的第一篇文章，取自Kipf et al. 2017，文章中提出的模型叫Graph Convolutional Network(GCN)，个人认为可以看作是图神经网络的“开山之作”，因为GCN利用了近似的技巧推导出了一个简单而高效的模型，使得图像处理中的卷积操作能够简单得被用到图结构数据处理中来，后面各种图神经网络层出不穷，或多或少都受到这篇文章的启发。目录1、问题定义...
GNN教程：图神经网络“开山之作”！
Datawhale
11-12 2856
↑↑↑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，算法工程师，Datawhale成员引言本文为GNN教...
从分歧走向融合：图神经网络历经了怎样的演化之路？
脑极体
05-31 204
AI领域在近十年的进展神速，随着机器学习、深度学习的迭代，语音、图像、自然语言处理逐渐取得了很大的突破。集结了这些能力的智能设备越来越聪明，一些语音设备与人交流得越来越顺畅，自动驾驶、虚拟数字人等代表着最前沿的AI能力的应用也走向了落地。在AI发展的过程中，基础的理论研究阶段，经常使用的是一些语音、图像、文本都很简单的序列或者网格数据，对于深度学习来说，这些简单的结构化数...
图神经网络总结（GCN/GAT/GraphSAGE/DeepWalk/TransE）
CycloneKid的博客
09-24 1万+
文章目录图神经网络1 游走类模型1.1 DeepWalk随机游走DeepWalk计算节点向量的方式：1.2 Node2VECnode2vec改进后的随机游走方式：1.3 LINE2 消息传递类模型2.1 GCN2.2 GAT2.3 GraphSageGraphSAGE 的采样方法：GraphSAGE 的聚合函数：Mean aggregatorLSTM aggregatorPooling aggregator2.4 HAT元路径（meta-path）meta-path的数学定义：基于meta-path的邻居N
深度学习实战35-图卷积神经网络GCN模型的搭建与应用
weixin_42878111的博客
06-05 1573
大家好，我是微学AI，今天给大家介绍一下深度学习实战35-图卷积神经网络GCN模型的搭建与应用，GCN是一种用于处理图结构数据的深度学习模型，它可以捕捉节点之间的拓扑关系和局部特征，并进行图级别的预测和分类任务。下面将介绍如何搭建并应用GCN模型。
传统模型用腻了？GCN图卷积神经网络一键实现西储大学轴承故障诊断！发文新思路！
QSJIQIXUEXI的博客
04-04 1277
然后，对最佳IMF分量的9个指标进行计算，分别是：均值，方差，峰值，峭度，有效值，峰值因子，脉冲因子，波形因子，裕度因子（对应特征1-9），类别即故障类型，都已经整理好放在了Excel里，如下图所示！取官方下载的驱动端（DE）振动数据，分别为97.mat、107.mat、120.mat、132.mat、171.mat、187.mat、199.mat、211.mat、224.mat、236.mat，即转速为1750时的10种故障诊断类型（包括正常情况），并将所有的数据和类别综合到一个变量中。
【爆火的图神经网络模型】GCN/GraphSAGE/GAT
qq_42397330的博客
04-04 1693
Graph Network 1. GCN 节点特征的更新公式： H(l+1)=σ(D~−12A~D~−12H(l)W(l)) H^{(l+1)}=\sigma\left(\tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)}\right) H(l+1)=σ(D~−21​A~D~−21​H(l)W(l)) 其中 D~\tilde{D}D~相当于加上了自环后的度矩阵，A~\tilde{A}A~相当于加上了自环后的
图卷积神经网络（GCN）的节点分类模型
wishofAI的博客
06-24 783
图卷积神经网络的节点分类模型代码
解读：基于GCN的股票预测模型
敲代码的quant的博客
04-24 1269
前言：自ICLR2017首次提出图卷积神经网络（GCN）的概念，该模型在节点分类、边预测等任务上表现出了出色的性能。在传统因子选股模型中，常常将股票视为独立的个体，但事实上股票之间存在错综复杂的关系，使用GCN能将股票间的关系作为增量信息纳入预测模型，具有一定的提升价值和启发意义。对于股票间关系的影响，学者进行了众多研究，在之前的文章中提及的REST模型就对于股票关系图进行了建模，取得模型性能的提...
图神经网络必读的​5个基础模型: GCN, GAT, GraphSAGE, GAE, DiffPool.
数据派THU
05-06 5342
来源：机器学习算法那些事 极市平台https://zhuanlan.zhihu.com/p/136521625本文约6000字，建议阅读10分钟本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。“近年来，深度学习领域关于图神经网络（Graph Neural Networks，...
GNN教程：开山之作GCN理解(自身和邻居节点Embedding聚合再进行非线性变换最后更新）
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
01-15 4116
转载 目录 大纲 1. 问题定义 2. 图上的快速卷积近似 谱图卷积 逐层线性模型 3. 半监督学习节点分类 传播公式解释 后话 参考文献 本文为GNN教程的第二篇文章 【GCN介绍】，取自Kipf et al. 2017，文章中提出的模型叫Graph Convolutional Network(GCN)，个人认为可以看作是图神经网络的“开山之作”，因为GCN利用了近似的技巧推导出了一个简单而高效的模型，使得图像处理中的卷积操作能够简单得被用到图结构数据处理中来，后面各种图神经网络层出
旷视2019CVPR-Multi-Label Image Recognition with Graph Convolutional Networks
我的博客
05-08 1315
文章目录Multi-Label Image Recognition with Graph Convolutional Networks导语介绍方法动机图卷积网络简介用于多标签识别的GCN相关系数矩阵实验MS-COCO实验结果VOC 2007实验结果结论 Multi-Label Image Recognition with Graph Convolutional Networks 转载自旷视南京研...
自然语言处理NLP——图神经网络与图注意力模型（GNN、GCN、GAT）
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
12-24 1万+
本篇博客从图神经网络（GNN）的动机与模型，图卷积网络（GCN）的模型详解与公式推导引入，重点介绍图注意力网络（GAT）的目标函数推导，模型解析，并使用不同框架复现GAT论文实验，对比分析结论与论文结果，并在最后补充一定的GAT推广与优化（内附Python代码与数据集）。
KCN深度解析：图神经网络的GCN模型详解与实验
这份PPT提供了深入理解GCN与GNN基础概念，以及KCN模型在图神经网络领域潜在应用的窗口，对于研究者和从业者来说，它提供了一个实用的模板和学习资源，特别是对那些关注图数据分析和图神经网络最新进展的人。
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