GNN 系列（三）：GraphSAGE

最新推荐文章于 2024-06-03 15:33:40 发布
最新推荐文章于 2024-06-03 15:33:40 发布
阅读量1k 收藏 11
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/99028142
版权
本文介绍了GraphSAGE，一种针对大规模图数据的图神经网络模型，旨在解决GCN在内存和显存需求、以及需要全部图结构信息的问题。GraphSAGE采用inductive learning，仅保留训练样本间的边，通过邻居采样和聚合函数更新节点embedding，适用于未知节点的embedding生成。文章还探讨了其前向传播、采样和聚合器算法的细节。
摘要由CSDN通过智能技术生成
640?wx_fmt=png

点击上方“Datawhal

最低0.47元/天 解锁文章
Datawhale
关注
GNN-图卷积模型-归纳式-2017：GraphSAGE【消息传递（前向传播）：聚合+更新】【聚合函数：lstm/pool】【训练更新函数参数】【不全图卷积，每次采样一批节点来卷积训练】【同质图】
u013250861的博客
08-15 926
图神经网络(GNN)：GraphSAGE【归纳式学习框架】
关于3DGNN框架的探讨研究文章（文末附项目主要代码）
06-12
关于3DGNN框架展开：原理阐述，实验问题提出，解决方案、核心代码。该文总的回顾了GCN图卷积网络的历程，用可视化的生动语言解释了图神经网络的基本数据传输机理，最后通过实验证明了其合理的进步之处和不足之处。
[图神经网络] 图节点Node表示---GraphSAGE与PinSAGE
摩登都市天空---专栏
01-20 6716
一前言 在大规模图上学习节点embedding，在很多任务中非常有效，如学习节点拓扑结构的 DeepWalk 以及同时学习邻居特征和拓扑结构的semi-GCN。 但是现在大多数方法都是直推式学习， 不能直接泛化到未知节点。这些方法是在一个固定的图上直接学习每个节点embedding，但是大多情况图是会演化的，当网络结构改变以及新节点的出现，直推式学习需要重新训练（复杂度高且可能会导致embedding会偏移），很难落地在需要快速生成未知节点embedding的机器学习系统上。 本文提出归纳学习—Gr.
GraphSAGE 图神经网络算法详解
Python中文社区
09-09 4526
GraphSAGE 是 17 年的文章了，但是一直在工业界受到重视，最主要的就是它论文名字中的两个关键词：inductive 和 large graph。今天我们就梳理一下这篇文章的核心...
【图神经网络】多核卷积拓扑图（TAGCN）
weixin_44413191的博客
10-11 4205
本文为图神经网络的学习笔记，讲解多核卷积拓扑图 TAGCN。
【Graph Neural Network】GraphSAGE: 算法原理，实现和应用
浅梦的学习笔记
08-24 6433
GCN等方法要求图中的所有的顶点在训练过程 GraphSAGE(Graph SAmple and aggreGatE)框架，通过训练聚合节点邻居的函数（卷积层），使GCN扩展成归纳学习任务，对未知节点起到泛化作用。 ...
GraphSAGE原理浅析1
08-03
GraphSAGE是一种用于图神经网络（GNN）的框架，设计用于解决大规模图数据上的归纳学习问题。与传统的图卷积网络（GCN）不同，GCN是传递学习（transductive learning）方法，适用于已知节点的嵌入学习，但无法泛化到...
GNN_CS224W：CS224W：使用图进行机器学习
02-14
1. 讲义与教程：可能有PDF或HTML格式的讲义，详细解释了GNN的基本概念和算法，如Graph Convolutional Networks (GCN)、Graph Attention Networks (GAT)、GraphSAGE等。 2. 示例代码：Jupyter Notebook文件，包含用...
玩转图神经网络和知识图谱的相关算法：GCN,GAT,GAFM,GAAFM,GraphSage,W2V,TRANSe.zip
08-28
4. GraphSage：GraphSage是Facebook提出的用于大规模图数据的采样方法，它通过随机采样邻居节点，使得训练过程可以在分布式环境中高效进行，适用于工业级应用。 5. Word2Vec（W2V）：Word2Vec是一种词嵌入模型，它...
dgl-tutorial:深度图库官方教程
03-30
这些教程将引导你逐步学习如何使用DGL来构建和训练各种GNN模型，例如GraphSAGE、GCN、GAT等。每个教程都包含了详细的代码示例，让你在实践中理解DGL的强大功能。 总的来说，DGL是一个强大的工具，它极大地简化了图...
元学习与图神经网络逻辑推导（55页ppt）
04-25
归纳学习则是一个更为复杂的问题，它需要在一系列图数据上进行训练，以便能够推广到全新的图上。归纳学习在高吞吐量的蛋白质互作组学、推荐系统等领域有重要的应用价值。通过归纳学习，当新节点（例如实体、产品）...
GraphSAGE详解
热门推荐
weixin_47879720的博客
12-10 1万+
文章目录算法思想嵌入生成算法采样算法（minibatch）邻居聚合函数适用场景不足和改进 算法思想 作者提出一种信息传递框架：节点的（结构和特征）信息在点与点之间传递。通过聚合函数，一个节点能够聚合邻居的信息，并通过更新函数（神经网络）更新当前节点的信息，这就是一次迭代的信息传递过程。随着迭代次数的增加，一个节点就能够聚合到更高阶邻居的信息。 补充知识： inductive和transductive learning的区别： transductive 传统的图嵌入算法（基于矩阵分解的算法，基于随机游走的算法
一种图神经网络架构：GraphSAGE
KPer_Yang的博客
08-28 1984
一种图神经网络架构：GraphSAGE
GraphSAGE的一些理解以及一些模块的DGL的代码实现
学习笔记
07-30 2547
本来想画个图来展现一层层采样的汇聚过程的，但是感觉好像有点过于复杂了，那就直接从最后一步的结果来理解也是可以的吧，DGL邻居采样能够根据gnn的层数来得出对应得结果，计算的时候，只需要对应得block参与对应层gnn计算即可，这样实现了minbatch的计算，使得超大图得以轻松的训练。...
Python GraphSAGE原理与代码详解，GraphSAGE代码实战，图神经网络，图计算，GraphSAGE代码模版，超简单学习GraphSAGE
最新发布
L_goodboy的博客
06-03 1166
Python GraphSAGE原理与代码详解，GraphSAGE代码实战，图神经网络，图计算，GraphSAGE代码模版，超简单学习GraphSAGE
GraphSage模型解析
qq_42479987的博客
04-09 2617
图卷积网络（GCN）的计算可以分为基于频域（Spectural）和基于空域（Spatial）两种方式。 频域方法： 图的频域卷积是在傅里叶空间完成的，我们对图的拉普拉斯矩阵进行特征值分解，特征分解更有助于我们理解图的底层特征，能够更好的找到图中的簇或者子图，典型的频域方法有ChebNet，GCN等。但是图的特征值分解是一个特别耗时的操作，具有 [公式] 的复杂度，很难扩展到海量节点的场景中。 空域方法： 空间方法作用于节点的邻居节点，使用 K\ K K 个邻居节点来计算当前节点的属性。基
深度探索：机器学习中的GraphSAGE算法（基于深度学习的图神经网络算法）原理及其应用
qq_51320133的博客
04-15 2841
GraphSAGE作为图神经网络领域的里程碑式工作，以其创新的采样与聚合机制成功解决了大规模图数据的嵌入学习问题。尽管存在超参数敏感、过平滑等问题，但通过持续的研究与优化，如引入注意力机制、动态采样策略等，其性能与适用性有望进一步提升。未来，GraphSAGE有望在更多领域展现潜力，特别是在图数据规模持续增长、复杂性不断提升的背景下，其对异质图、动态图、甚至超图的学习能力值得期待。同时，与自监督学习、元学习等前沿技术的结合，也将推动GraphSAGE在无监督设置下的表现，助力解决图数据的冷启动问题。
论文笔记：详解GraphSAGE
zly_Always_be的博客
12-10 2477
整理了GraphSAGE（ Graph Sample and aggregate 图采样和聚合）论文的阅读笔记
图神经网络（一）—GraphSAGE-pytorch版本代码详解
weixin_44027006的博客
05-16 1万+
GraphSAGE代码详解-pytorch版本1. GraphSAGE导入2. 代码解析2.1 加载数据2.2 Unsupervised Loss2.3 Models2.4 评估与模型使用2.5 Main参考资料 1. GraphSAGE导入 论文标题：Inductive Representation Learning on Large Graphs 作者：William L. Hamilton, Rex Ying and Jure Leskovec 在GraphSAGE之前提出的图神经网络方法，如
GNN深入解析：图卷积矩阵补全(GCMC)详解
"GNN2讲义pdf超详细" 这篇讲义主要涵盖了图神经网络（GNN）的相关知识，特别是针对图卷积网络在矩阵补全任务中的应用，包括Graph Convolutional Matrix Completion (GC-MC)模型。GNN是一种深度学习技术，它能够处理...
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