图神经网络实战（12）——图同构网络(Graph Isomorphism Network, GIN)

最新推荐文章于 2024-09-25 08:59:08 发布
最新推荐文章于 2024-09-25 08:59:08 发布
阅读量3.7k 收藏 101
点赞数 90
分类专栏： 图神经网络从入门到项目实战 文章标签： GNN 图神经网络 深度学习
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/LOVEmy134611/article/details/139487511
版权
本文介绍了图同构网络（GIN）的原理，其受Weisfeiler-Leman测试启发，具有更强的图结构区分能力。通过与GCN的性能比较，展示在图分类任务上的优势。文中详细阐述了如何构建GIN模型，并在PROTEINS数据集上执行图分类，结果显示GIN的准确率优于GCN。
摘要由CSDN通过智能技术生成

图神经网络实战（12）——图同构网络

0. 前言

Weisfeiler-Leman (WL) 测试提供了一个理解图神经网络 (Graph Neural Networks, GNN) 表达能力的框架，利用该框架我们比较了不同的 GNN 层，在本节中，我们将利用 WL 测试结果尝试设计比图卷积网络 (Graph Convolutional Network, GCN)、图注意力网络 (Graph Attention Networks，GAT) 和 GraphSAGE 更强大的 GNN 架构——图同构网络 (Graph Isomorphism Network, GIN)。然后，使用

了解本专栏 订阅专栏 解锁全文
盼小辉丶
关注
专栏目录
订阅专栏
Graph Isomorphism Network（图同构网络）的PyTorch实现
KsClang的博客
09-19 449
在本文中，我们将使用PyTorch框架来实现GIN模型，并展示如何在图数据上进行训练和推理。在本文中，我们将使用PyTorch框架来实现GIN模型，并展示如何在图数据上进行训练和推理。接下来，我们定义GIN模型的主要组件，包括图卷积层（Graph Convolutional Layer）和GIN模型本身。接下来，我们定义GIN模型的主要组件，包括图卷积层（Graph Convolutional Layer）和GIN模型本身。接下来，我们定义训练函数和测试函数，用于对GIN模型进行训练和评估。
图神经网络实战（19）——异构图神经网络
盼小辉丶的博客
08-26 1592
异构图由不同类型的节点和边组成，可以表示实体之间的各种关系，这比单一类型的连接具有更高的表达能力。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用于异构图。首先，我们将创建自定义异构数据集。然后，将同构架构转化为异构架构。
图神经网络GNN学习笔记（4）：图同构网络GIN
软件工程小施同学 的专栏
06-05 1103
原文：GIN: 如何设计最强大的图神经网络图神经网络（Graph Neural Networks，简称GNN）不仅仅局限于对节点进行分类，其中一个最受。
图神经网络学习6
to222的博客
07-06 846
作业 请画出下方图片中的6号、3号和5号节点的从1层到3层到WL子树。 答案：
图神经网络介绍3
m0_63860007的博客
09-12 1029
当我们要判断两个图是否同构时，先通过聚合节点和它们邻居的标签，再通过散列函数得到节点新的标签，不断重复，直到每个节点的标签稳定不变。Weisfeiler-Lehman 测试最大的特点是其对每个节点的子树的聚合函数采用的是单射的散列函数。与Weisfeiler-Lehman测试一样，在表达网络结构的时候，一个节点的表征会由该节点的父节点的子树信息聚合而成。数据，两层图卷 积网络即可达到很好的效果，叠加更多的层并不一定能提升模型的表现，反而 可能导致过平滑的问题。之后发展出的各种各样的图神经网络大都可以归。
PyG图神经网络框架学习--示例介绍
weixin_42727538的博客
12-20 1022
实例介绍 通过自带的示例介绍并学习PyG。主要从以下4各方面： 图数据处理 通用基准数据集 Mini-batches 数据转换 图学习方法 图数据处理 图用于对对象（节点）之前的关系（边）进行建模。PyG中的图可以用torch_geometric.data.Data的一个实例表示，默认情况下包含以下属性： data.x: 具有[num_nodes, num_node_features]形状的节点特征矩阵 data.edge_index: 形状为[2, num_edges]，类型为Torch.long da
【intro】Graph Isomorphism Network（GIN）
Karen_Yu_的博客
05-09 2869
图神经网络(gnn)是一种有效的图表示学习框架。gnn采用邻域聚合方案，通过递归聚合和变换相邻节点的表示向量来计算节点的表示向量。已经提出了许多GNN变体，并在节点和图分类任务上取得了最先进的结果。然而，尽管gnn彻底改变了图表示学习，但人们对其表示特性和局限性的理解有限。->一个理论框架，用来分析GNN捕获不同图结构的能力。
Graph Isomorphism Network(GIN)
weixin_65191557的博客
09-07 1050
在本章中，我们提出了WL检验方法，它可以输出图的规范形式。该算法并不完美，但可以区分大多数图结构。它启发了GIN体系结构，设计成与WL测试一样具有表现力，因此严格来说比GCNs、GATs或GraphSAGE更具表现力。然后我们实现了这个架构用于图分类。我们看到了将节点嵌入组合成图嵌入的不同方法。GIN提供了一种新的技术，它结合了求和算子和每一层生成的图嵌入的连接。它明显优于GCN层获得的经典全局平均池化。最后，我们比较了两种模型的预测结果，并提出了进一步提高模型预测结果的可能方法。
Graph Isomorphism Network
fnoi2014xtx的博客
07-01 7126
Paper : GRAPH ISOMORPHISM NETWORK Code : 摘要 作者使用Weisfeiler-Lehman(WL) test 和同构图判定问题来评估GNN网络的表达能力，并提出了GIN网络结构，理论分析GIN的表达能力优于GraphSAGE GCN等结构，在多任务上准确率达到了SOTA。WL测试与GNN具有相似的信息传递方式，在WL test算法运行的过程中，算法构造了从 multiset 到 representation 的单射函数，因此WL test在图同构问题上具有强表达能.
【GIN】
weixin_43327910的博客
10-30 7416
GIN
图神经网络实战（18）——消息传播神经网络
盼小辉丶的博客
08-09 2350
消息传递神经网络 (Message Passing Neural Network, MPNN) 通过消息传播机制对多种图神经网络 (Graph Neural Networks, GNN) 模型做出了一般性总结。在本节中，我们介绍了 MPNN 框架，该框架通过信息、聚合和更新三个步骤统一了 GNN 层，同时介绍了如何在 PyTorch Geometric 中使用 MPNN 创建图卷积网络 (Graph Convolutional Network, GCN) 层。
图神经网络实战——分层自注意力网络
最新发布
盼小辉丶的博客
09-25 1341
在本节中，我们将学习一种专门用于处理异构图的图神经网络架构，分层自注意力网络 (hierarchical self-attention network, HAN)。我们将介绍其工作原理，以便更好地理解该架构与经典图注意力网络之间的区别。最后，使用 PyTorch Geometric 实现此架构，并将结果与其它 GNN 模型进行比较。
15类图神经网络的应用场景总结
AI蜗牛车
06-02 2928
图神经网络最近几年非常的受欢迎，图在很多的任务上都取得了非常不错的效果，那么它在实际的应用有哪些呢？本文介绍了15类不同图神经网络的应用场景。本未来自deephub知乎专栏，原文地址https://zhuanlan.zhihu.com/p/364372413社会影响的预测社会影响预测侧重于朋友之间行为的影响，尤其是在社交网络中。例如，如果一些社交网络上的朋友买了一件衣服，...
Graph Isomorphism Network for Speech Emotion Recognition论文笔记
weixin_42103947的博客
05-31 493
该论文来自于华南理工大学的研究者发表于interspeech2021上，作者首次将GIN网络用于实现SER,得到比以往的网络更好的性能。
图神经网络简单理解 — — 附带案例
SoyMilk的博客
08-15 1276
图神经网络（Graph Neural Network, GNN）是一种深度学习模型，专门用于处理图结构数据。它能够捕捉节点的邻域结构信息，广泛应用于各种领域，如社交网络分析、生物信息学、推荐系统等。
8个图神经网络的典型用例
新缸中之脑
05-26 1415
图数据遍布全球：任何由实体及其关系组成的系统都可以用图形表示。尽管过去十年来，深度学习算法在自然语言处理、计算机视觉和语音识别等领域取得了突出进展，因为它们能够通过非线性层从数据中提取高级特征，但大多数深度学习架构都是专门针对欧几里得结构化数据（如表格数据、图像、文本和音频）量身定制的，而图形数据则在很大程度上被忽略了。传统的人工智能方法旨在从由某种“刚性”结构编码的对象中提取信息。例如，图像通常被编码为固定大小的二维像素网格，文本被编码为一维单词序列（或标记）。
图神经网络系列（三）：应用-数据集、实例、未来方向
m0_49423899的博客
01-30 2801
入门-图神经网络——应用-常见数据集介绍、实际应用、未来方向
业界分享 | 百度图神经网络实践
Kaiyuan_sjtu的博客
02-22 1148
作者|黄正杰来源|DataFunTalk图是一个复杂世界的通用语言，社交网络中人与人之间的连接、蛋白质分子、推荐系统中用户与物品之间的连接等等，都可以使用图来表达。图神经网络将神...
图神经网络（Graph Neural Networks，GNN）综述
喜欢打酱油的老鸟
11-29 4393
2019-11-28 16:02:43 一、什么是图神经网络？ 在过去的几年中，神经网络的成功推动了模式识别和数据挖掘的研究。许多机器学习任务，如目标检测、机器翻译和语音识别，曾经严重依赖手工的特征工程来提取信息特征集，最近被各种端到端的深度学习范式（例如卷积神经网络（CNN）、长短期记忆（LSTM）和自动编码器）彻底改变了。在许多领域中，深度学习的成功部分归因于快速发展的计算资源（如GPU）...
评论 98
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

打赏作者

盼小辉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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