图卷积网络GCN入门系列

最新推荐文章于 2022-09-19 19:45:58 发布
最新推荐文章于 2022-09-19 19:45:58 发布
阅读量560 收藏 6
点赞数
分类专栏： graph neural network 文章标签： 人工智能
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/DreamHome_S/article/details/105808686
版权

原文首发于个人站点 图卷积网络入门系列 | 梦家
公众号：【DreamHub】

对于图卷积网络GCN的研究已经有一段时间了，在实习阶段应用较多且符合自己在校的复杂网络研究方向，但一直没有时间对其进行总结和梳理。因此，在这毕业前利用这漫长的假期对图卷积网络进行再一次回顾，来加深自己的理解并解答自己理论的问题！对于仍存在的疑惑待以后实践中解决！

图卷积网络入门系列

GCN涉及的理论较多所以文章篇幅较长，本系列将其分为三部曲：

这三部分内容涉及到的理论知识能大概了解图卷积网络的前世今生，如有疑问待以后慢慢改进！

当然这理论知识并不能让学者体会到图卷积GCN的强大及其在工业界中的应用，下面介绍个人所了解的学习资料来深入学习！

学习资料

理论篇

实践篇

目前仅了解这么多内容，以后学习再进行更新！

关注作者

深度学习实战35-图卷积神经网络GCN模型的搭建与应用
微学AI的博客
06-05 1887
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。
图卷积网络Graph Convolutional Network（GCN）的理解和详细推导.pdf
06-11
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724
图卷积入门及理解
TTTree_的博客
12-02 345
记录一下最近看的图卷积的一些比较好的博客，适合入门理解。 从全局观理解GCN，跳出复杂数学公式 GCN (Graph Convolutional Network) 图卷积网络解析 （这篇其实没读，公式推导过程先跳过了，找到应用点再说） ...
图卷积学习笔记
ssq183的博客
08-28 601
最早提出图网络的论文：2014-Spectral Networks and Deep Locally ConnectedNetworks on Graphs 最早提出图卷积的论文：2017-Semi-Supervised Classification with Graph Convolutional Networks 最早提出时空图卷积的论文：Learning Convolutional Neu...
keras版的图卷积网络
10-26
这是Keras版的Gcn代码，有助于理解图卷积网络，配合原版的论文看起来会比较不错。
图卷积网络GCN（Graph Convolution Network）（一）研究背景和空域卷积
梦家の博客
04-21 2740
图卷积网络（Graph Convolution Network）概述 研究背景 首先，为什么需要研究图卷积网络GCN（Graph Convolution Network）呢？ 目前算法研究处理的数据主要分为两种： Euclidean 结构数据：主要有图片、语音、文本等数据结构，例如图像、视频中像素点是排列整齐的矩阵，可以被CNN(Convolution Neural Network)高效地处理。...
Keras实现的图卷积网络GCN入门指南
在信息技术领域，尤其是在深度学习和图网络分析方面，Keras 和图卷积网络（GCN）是当前研究和工业应用的热点。理解如何用Keras实现图卷积网络是十分关键的，因为这不仅涉及到对Keras库的掌握，同时也需要对图卷积...
lesson58-图卷积网络GCN.zip
最新发布
08-29
深度学习与PyTorch入门实战视频教程 配套源代码和PPT深度学习与PyTorch入门实战视频教程 配套源代码和PPT深度学习与PyTorch入门实战视频教程 配套源代码和PPT深度学习与PyTorch入门实战视频教程 配套源代码和PPT深度...
图卷积神经网络(GCN)理解与tensorflow2.0代码实现
VariableX的博客
11-19 9549
图(Graph)，一般用 G=(V,E)G=(V,E)G=(V,E) 表示，这里的VVV是图中节点的集合，EEE 为边的集合，节点的个数用NNN表示。在一个图中，有三个比较重要的矩阵： 特征矩阵XXX：维度为 N×DN\times DN×D ，表示图中有N个节点，每个节点的特征个数是D。 邻居矩阵AAA：维度为 N×NN\times NN×N ，表示图中N个节点之间的连接关系。 度矩阵 DDD：维度为 N×NN\times NN×N ，是一个对角矩阵，即只有对角线上不为零，其他位置元素都是 0 ，表示图中
基于ST-GCN自适应图卷积网络的人体动作识别系统python源码+使用说明.zip
08-22
基于ST-GCN（Spatial Temporal Graph Convolutional Networks，时空图卷积网络）自适应图卷积网络的人体动作识别系统是一个利用深度学习技术，特别是图卷积网络（GCN）来处理和分析人体动作数据的项目。该系统通过...
Python-用于半监督分类的图形卷积网络GCN的PyTorch实现
08-11
用于半监督分类的图形卷积网络（GCN）的PyTorch实现
图扩散卷积：Graph_Diffusion_Convolution
LonghaoJia的博客
09-12 1万+
GDC（Graph diffusion convolution，图扩散卷积）是一个预处理步骤，可以应用于任何图(graph)，并与任何基于图(graph)的算法一起使用。我们进行了大量的实验(超过10万次的训练)，以表明GDC在各种各样的模型和数据集上持续地提高了预测的准确性。但要记住，GDC基本上利用了大多数图(graph)中的同质性。**同质性是指相邻节点趋于相似的属性，即物以类聚**。因此，它并不适用于每个数据集和模型。
Graph Diffusion Convolution
sxl的博客
09-19 770
[1]图扩散卷积：Graph_Diffusion_Convolution
论文笔记——扩散卷积循环神经网络进行交通预测
weixin_37074197的博客
08-04 6196
这是在ICLR 2018学术会议上发表的文章，其研究课题为交通网络的时空预测。 1.交通网络预测的具体问题描述如下： 在给定交通路网中有N个传感器实时监控该点的交通状况；根据其拓扑关系交通网络可表为一个含N个顶点的带权有向图G=(V,E,W) W为N*N的带权邻接矩阵，权值为顶点间的“接近程度”。假设每个顶点所记录的交通状况可用一个P维的向量表示，那么整个路网在某一时刻的状况就可用一个N*P...
GCN演变及改进整理
qq_60272314的博客
09-25 5414
目录 一.演变 1.Spectral CNN 2.Chebyshev谱CNN（ChebNet） 3.CayleyNet 4.一阶ChebNet（1stChebNet）-GCN 二.GCN的改进 1.邻接矩阵的探索 Adaptive Graph Convolution Network (AGCN) Dual Graph Convolutional Network(DGCN) 2. 空间域的GCNs（ConvGNNs） Neural Network for Graphs (NN4G..
【车流量预测论文】Graph WaveNet for Deep Spatial-Temporal Graph Modeling-20201201
小苏打的学习博客
12-01 3639
用于深度时空图建模的图波网 Graph WaveNet for Deep Spatial-Temporal Graph Modeling 1.摘要 本文提出了一个新的时空图建模方式，并以交通预测问题作为案例进行全文的论述和实验。交通预测属于时空任务，其面临的挑战就是复杂的空间依赖性和时间依赖性。近年来由于图卷积的火热，加上路网结构和图卷积的契合，在交通领域的应用达到了不错的效果。然而，之前的工作存在一些不足。对空间层面而言，之前的工作往往是在一张固定的图结构上取捕获空间依赖特征，假设实体之间的基本关系是预先
GCNS论文总结
Jeff zhao
04-05 2440
GCNS论文总结 主要内容： 一、GCN背景发展 二、Laplacian 矩阵 三、图傅里叶变换 四、GCN卷积实现 五、GCN任务分类/应用 六、谈谈感受 一、GCN背景发展 CNN在图像处理任务中应用广泛，但不能处理graph data(the local translational invariance)。近年来，graph data学习需求日益凸显，谱图、统计分析等Graph Learni...
IJCAI2019 长时段交通预测解决方案
huang_shao1的博客
08-16 3407
Graph WaveNet for Deep Spatial-Temporal Graph Modeling 一 作者介绍 本文的作者是悉尼科技大学的Zonghan Wu博士，师从IEEE member Shirui Pan，作者还发表了一篇GNN的综述[《A Comprehensive Survey on Graph Neural Networks》](https://arxiv.org/pdf/1901.00596v2.pdf)，引用量达到600多。这里是作者团队的主页：
图卷积Graph Convolutional Networks
热门推荐
lemontree的博客
07-18 2万+
CNN已经在计算机视觉（CV）以及自然语言处理等领域取得了非常好的水平，其中的数据可以被称作是一种Euclidean Data，CNN正好能够高效的处理这种数据结构，探索出其中所存在的特征表示。所谓的欧氏（欧几里德）数据指的是类似于grids, sequences… 这样的数据，例如图像就可以看作是2D的grid数据，语音信号就可以看作是1D的grid数据。但是现实的处理问题当中还存在大量的 No...
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