半监督的GCN：Semi-Supervised Classification With Graph Convolutional Networks

于 2024-05-13 17:14:48 发布
阅读量537 收藏 14
点赞数 5
文章标签： 学习 笔记
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/Guozyan/article/details/138792321
版权

Semi-Supervised Classification With Graph Convolutional Networks

-Theophilus Siameh-2017(2023)

思路

使用可扩展方法对图进行半监督学习，其中CNN应用在图数据上，得到GCN。
这种方法是在图的边的数量上进行线性的缩放模型，并学习包含局部图结构和图节点的几个隐藏层表示。

CNN/GNN

CNN明确可以将某些属性（与图像、视频相关）编码到架构中。神经元以3个维度排列：高度、宽度、深度或颜色通道。将过滤器应用到创建特征图中，该特征图总结了输入中检测到的特征的存在。
GCN假设输入数据是图结构，使用邻接矩阵转换为二进制编码。（不光能用于图结构，还可以用于其他不规则的结构，一种强大的深度学习方法）

基于图的快速近似卷积

考虑具有逐层传播规则的多层图卷积网络GCN，其网络模型为f（X，A）在这里插入图片描述
这种基于Weisfeiler-Lehman算法的传播规则可以作为图上局部谱滤波器的一阶近似的结果。
一、谱图卷积
图上的谱卷积可以定义为每个节点X 的标量与滤波器gθ=diag（θ）的乘积，滤波器gθ=diag（θ）在傅立叶域中由θ

最低0.47元/天 解锁文章
YanYan——
关注
  • 5
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
论文阅读_GCN卷积图神经网络实现半监督分类器
谢彦的技术博客
03-12 1744
介绍 英文题目：Semi-Supervised Classification with Graph Convolutional Networks 中文题目：使用卷积图神经网络实现半监督分类器 论文地址：https://arxiv.org/abs/1609.02907 领域：自然语言处理，知识图谱，图神经网络 上传时间：2016 出处：ICLR 2017 被引量：10671 代码和数据： https://github.com/tkipf/gcn https://github.com/kaize0409/py
GCN为什么是半监督学习？
jkokj23153的博客
10-15 1111
因为GCN那篇论文里面，数据集的划分是一部分有标签，一部分没标签，但是在使用图的连接信息的时候用到了图的邻接矩阵，所有这部分是用到了全部图的结构信息，而有一部分节点没有标签。所以作者才把论文名字命名为半监督学习。
ICLR 2017 | GCN：基于图卷积网络的半监督分类
KI的博客
03-12 5893
ICLR 2017 | GCN：基于图卷积网络的半监督分类
WISE 2019 | ML-GCN：多标签图节点分类的半监督图嵌入
KI的博客
07-01 2424
WISE 2019 | ML-GCN：多标签图节点分类的半监督图嵌入
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub...
semi -supervised classification with graph convolutional networks学习必记
01-07
半监督学习：用于少量节点标签未知，例如文本、citation network、知识图谱分类 2 主要思想 采用图卷积中的一阶局部近似（即K=1），这部分的理解可以参考Chebyshev多项式作为GCN卷积核 当K=1 时有两个参数,模型...
2019-ICLR-Confidence-based Graph Convolutional Networks for Semi
08-08
【关键词】：图卷积网络（Graph Convolutional Networks）、GCN、置信度、半监督学习（Semi-Supervised Learning）、深度学习、神经网络 【核心概念解析】： 1. **图卷积网络（Graph Convolutional Networks, GCNs...
Active 3-D Shape Cosegmentation With Graph Convolutional Networks
02-08
We present a novel active learning approach for shape cosegmentation based on graph convolutional networks (GCNs). The premise of our approach is to represent the collections of three-dimensional ...
用于半监督的图扩散网络 笔记
最新发布
ZG
04-16 925
如果图结构的拉普拉斯矩阵捕获了成对顶点的相似性，即，图满足同向性原理，则幂迭代将使聚类分离，并且所提供的标签信息将加速该过程。也就是说当 k 很大时，GCN 模型会倾向于收敛到矩阵 W 的主要特征向量，而忽略了输入特征矩阵 X 和参数矩阵 Θ 的影响，从而导致模型性能下降。，本文建议将这些矩阵中包含的所有局部和全局邻域信息聚合在一个层中，用于稀疏标记图上的半监督分类。，这个公式是K局部化的，即，它仅依赖于与中心顶点相距最大K跳距离的顶点（K阶邻域），其时间复杂度为O(e)，e是图的边数。
基于图卷积网络的半监督分类_阅读笔记1
m0_50733099的博客
12-12 1144
如引言中所述，我们可以放松基于图的半监督学习中通常所做的某些假设，方法是将我们的模型f（X，A）同时基于数据X和底层图结构的邻接矩阵A进行训练。我们与Yang等人（2016）的基线方法进行了比较，即标签传播（LP）（Zhu等人，2003）、半监督嵌入（SemiEmb）（Weston等人，2012）、流形正则化（ManiReg）（Belkin等人，2006）和基于跳格的图嵌入（DeepWalk）（Perozzi等人，2014）。对于A，使用稀疏表示，内存需求为O（|E|），即在边的数量上是线性的。
gcn 图卷积神经网络_经典半监督图卷积神经网络Semi-GCN
weixin_39933414的博客
11-30 393
今天我将解读一篇非常经典的文章《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》。这篇论文提出了一种半监督图卷积算法，利用图的拓扑结构和节点的side informaton进行标签分类，效果较传统算法有了明显提升。这篇论文已经有很多博客有非常详细的介绍，我对这篇论文的解读主要聚焦在对算法原理的深入理解上，希望给大家带...
基于attention的半监督GCN【包括极简例子理解图卷积神经网络的传播过程】
李滚滚的博客
05-08 5676
文章目录摘要Introduction相关工作 摘要   基于GNN的模型在一些基本数据集上进行半监督学习，都表现出了比现有方法更出色的效果。这些网络结构的基本结构是：聚合局部邻域隐藏状态的传播层 与 全连接层交替组合。令人感到惊讶的是，取消了中间所有全连接层的线性模型仍然能够取得非常好的效果。这对于标记样本非常少的半监督学习是非常有意义的，因为会减少很多参数；也为设计更新颖的传播层提供了空间。...
一种基于GCN的半监督学习模型
qq_42013492的博客
07-18 2861
一种基于GCN的半监督学习模型 文章目录一种基于GCN的半监督学习模型1. 概述2. 背景知识2.1 普通的图上半监督学习2.2 GCN3. 文章的主要工作3.1 构建神经网络传播规则3.2 构建神经网络3.3 实现, 测试和比较3.4 讨论4. 代码分析 1. 概述 对于传统的图上的半监督学习, 我们可以在损失函数中加入正则化项∑i,j(A)ij(f(xi)−f(xj))2\sum_{i, ...
【GCN】图卷积网络的半监督学习脉络
夏至是个程序媛
11-28 5385
1、入门： 知乎回答：从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 2、论文阅读： 论文地址：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 论文翻译1：图卷积神经网络的半监督学习 论文解读1：深度学习新星 | 图卷积神经网络（GCN）有多强大？ 论文解读2：SEMI-SUPERVISED ...
GCN - Semi-Supervised Classification with Graph Convolutional Networks 用图卷积进行半监督节点分类 ICLR 2017
热门推荐
知行合一，止于至善
08-07 1万+
文章目录Abstract1.Intruduction2.Fast Approximate Convolutions on Graphs（图的快速近似卷积）2.1 SpectralGraph Convolutins（谱图卷积）补充证明2.2 Layer-wise Linear Model（逐层线性模型）3. Semi-supervised Node Classfication（半监督节点分类）3.1...
[深度学习]半监督学习、无监督学习之DCGAN深度卷积生成对抗网络(附代码)
sinat_33487968的博客
12-12 4960
论文全称：《Generative Adversarial Nets》 论文地址：https://arxiv.org/pdf/1406.2661.pdf 论文全称：《UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS》 论文地址：https://arxiv.or...
半监督学习（semi-supervised learning）
n不正
04-15 5552
半监督学习（semi-supervised learning）1 introduction why semi-supervised learning? 收集数据很贵，收集有标签的数据更贵！ superviesd：D={(xi,yi)}Ni=1D = \{ (x_i,y_i)\}_{i = 1}^N semi-supervised：D={(xi,yi)}Mi=1∪{xu}Nj=M+1D
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 代码
07-27
很抱歉，根据提供的引用内容，我无法提供关于"SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS"代码的信息。引用的内容主要介绍了图上结点分类的半监督问题以及相关的研究方法和改进。如果您需要...
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