笔记:关于GCN的学习理解(白话)

最新推荐文章于 2024-05-27 09:58:38 发布
最新推荐文章于 2024-05-27 09:58:38 发布
阅读量791 收藏 2
点赞数
分类专栏： GNN
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/Littlewhite520/article/details/107504892
版权

GCN就是把时域上的图,用拉普拉斯矩阵,或者别的矩阵进行频域上的表示,再在频域上进行卷积.

Q1:为什么要用时域转频域,因为时域不好表示各个点和相邻的点的邻接关系,因为不同的邻接关系需要不同的权值才能进行卷积神经网络,但基于图的谱分解可以表示.

Q2:如何在频域上进行卷积?

变为频域上的运算就可以更好结合图的特征,运算的话就用频域上的傅里叶函数变换.这样就可以在频域上算好卷积.

是将拉普拉斯矩阵表示图,同时刚好的性质是,傅里叶变换需要基底ewit,这个用拉普拉斯矩阵的特征函数就完成了两者的结合.

卷积定理：函数卷积的傅里叶变换是函数傅立叶变换的乘积，即对于函数    f(t) 与 h(t)两者的卷积是其函数傅立叶变换乘积的逆变换：

然后这个又可以是这个拉普拉斯矩阵的特征函数.

后面就是运算的变换了,上面基本就是核心了,错了也没关系,大概差不多这样就好.

补充:

 

 

资料:Graph Convolutional Network（GCN）

https://www.zhihu.com/question/54504471/answer/332657604

GCN代码

https://github.com/FighterLYL/GraphNeuralNetwork

图神经网络之神器——PYTORCH GEOMETRIC 上手 & 实战

https://www.freesion.com/article/6420402611/

基于图卷积网络的半监督分类（GCN） | 高飞 | 集智图网络读书会

北京师范大学

https://www.bilibili.com/video/BV1uJ411U7qF

频域、谱域以及拉普拉斯算子在图上的应用

https://www.bilibili.com/video/BV164411x7L2?p=8

黑码
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【GCN-RS】对比学习SGL：Self-supervised Graph Learning for Recommendation (SIGIR‘21)
chadlee
11-18 1561
Self-supervised Graph Learning for Recommendation (SIGIR‘21) 还是何向南组提出的图自监督学习框架，对用户-物品的二部图上的节点、边做dropout等方法实现数据增强，产生许多子视图，在多个子视图上进行对比学习，实现自监督。再配合监督学习，多任务学习。 作者提出的图自监督学习框架SGL可以改善长尾、提高鲁棒。SGL只是一个框架，里面的图表示学习方法可以用LightGCN等。 数据增强 一般GNN对节点编码的方式： Z1(l)=H(Z1(l−1),G
【图深度学习】GCN（图卷积网络）学习从0到1
sxl的博客
03-23 594
图神经网络是近几年乃至以后非常热门的一个研究方向，这不仅体现在图深度学习的理论算法研究，还体现在图神经网络的应用方面。每当各大顶会一放榜有关图神经网络算法研究的论文在数量方面肯定排名前几。我自己研究图神经网络也有一段时间了，一直不知道该如何去解读图神经网络，所以这个文章一直是空的。最近在这上面有了一些想法，所以打算出一个系列文章把这一块的知识弄清楚。系列文章主要分三大块第一块是：主要讲一下图神经网络的内核即：图神经网络是怎么来的以及相较于传统卷积神经网络GCN是如何解决的不规则图上的卷积问题。
探索文本分类新境界：BertGCN深度解析与应用推荐
最新发布
gitblog_00008的博客
05-27 427
探索文本分类新境界：BertGCN深度解析与应用推荐 项目地址:https://gitcode.com/ZeroRin/BertGCN 在深度学习的浪潮中，自然语言处理（NLP）领域不断涌现出创新模型，以解决文本分类等核心挑战。今天，我们聚焦于一个融合了两大前沿技术——图卷积网络（GCN）与BERT——的革新之作：BertGCN。该项目的开源，为文本分类任务带来了新的可能性。 项目介绍 BertG...
GCN 学习计划
王尚权 qq:2515162716
12-27 113
https://blog.csdn.net/qq_41727666/article/details/84622965
学习笔记：监督学习与无监督学习
weixin_46059493的博客
05-02 564
监督学习可以认为是从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。 1.回归问题 例如上图描述了房屋价格与房屋大小的关系。假设你的朋友希望你通过该数据集对他的房屋售价进行预测。那么，房屋的大小就是输入量，而房屋的价格就是输出量。 我们可以尝试使用一条直线去描述两者之间的关系，也可以尝试使用多项式去描述两者的关系。如果房屋的价格与房屋的大小存在某种特定的函数关系，那么随着样本的数量增加，这种特定的函数关系也就
SpellGCN:拼写GCN
05-08
拼写GCN 是中文拼写检查的一种方法，它将视觉和形态学知识嵌入到BERT中。 该存储库包含数据，评估和培训脚本。 引文： @inproceedings{DBLP:journals/corr/abs-2004-14166, author = {Xingyi Cheng and Weidi Xu and...
交通预测模型合集：STGCN、DCRNN、ASTGCN、Graph wavenet、STGNN、STSGCN、STFGNN
04-17
STGCN：https://xiexu.blog.csdn.net/article/details/134570501 DCRNN：https://xiexu.blog.csdn.net/article/details/133094961 ASTGCN：https://xiexu.blog.csdn.net/article/details/131999338 Graph wavenet：...
FUHS_GraphCNN:复现GCN
05-08
Joan Bruna，Wojciech Zaremba，Arthur Szlam，Yann LeCun，图谱，国际学习表示法会议（ICLR），2014年。 Mikael Henaff，Joan Bruna和Yann LeCun，，arXiv，2015年。 安装 克隆此存储库。 git clone ...
Pytorch复现STGCN：基于图卷积时空神经⽹络在交通速度中的预测
04-19
Pytorch复现STGCN：基于图卷积时空神经网络在交通速度中的预测 Pytorch复现STGCN是一种基于图卷积时空神经网络的交通速度预测模型。该模型针对交通流的不确定性和复杂性，提出了时空图卷积神经网络架构，组合了空间...
GCN学习.pdf
07-17
GCN图卷积神经网络笔记及PPT 项目组讨论班所用 适合入门
讲GCN的最好的资料
08-30
Thomas Kipf亲自做的，非常详细，细致，很有收获！
T-GCN（图卷积神经网络-交通流预测）（代码）.zip
01-09
图卷积神经网络-交通流预测 Temporal Graph Convolutional Network
BERT-BILSTM-GCN-CRF-for-NER:在原本BERT-BILSTM-CRF上融合GCN和词性标签等做NER任务
03-09
NER的BERT-BILSTM-GCN-CRF 在原本BERT-BILSTM-CRF上融合GCN和词性标签等做NER任务 数据格式 高B-剧种B-名词腔I-剧种I-名词：OO马B-人名B-名词平I-人名I-名词所OO着O B动词扶O B动词贫O I动词小O B -名词I O-名词 运行
GCN详解
zhuofutong的博客
09-26 3304
CNN 在图像识别等任务中具有重要作用，主要是因为 CNN 利用了图片在其域中的平移不变性。由于图结构不存在平移不变性，所以 CNN 无法直接在图上进行卷积。刚刚提到 CNN 之所以可以应用到图像而无法应用到图网络中主要是因为图像具有「平移不变性（translational invariance）」，而图网络不具备这一属性。那么问题来了，什么是平移不变形呢？我们知道对于 CNN 来说，其核心在于使用了基于卷积核的卷积操作来提取图像的特征，这里的卷积操作类似于对「计算区域内的中心节点和相邻节点进行加权求和」：
LSTM or Bert， GCN算法股票预测天气预测房价预测交通流量预测
10-25 8211
粉色的圈代表 pointwise 的操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。合在一起的线表示向量的连接，分开的线表示内容被复制，然后分发到不同的位置。long short term memory，即我们所称呼的LSTM，是为了解决长期以来问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。给定一个特定的时间，假设要预测未来6小时的温度。下面的程序中，我们以1949-1952的数据预测1953的数据，以1950-1953的数据预测1954的数据，以此类推，训练模型。
深度学习之GCN的简单理解
zlinxi
07-11 9387
一、概述 GCN是一类非常强大的用于图书局的神经网络架构，下图展示了一个两层 GCN 生成的每个节点的二维表征，即使没有经过任何训练，这些二维表征也能够保存图中节点的相对邻近性。对于CNN中的卷积，本质上是利用一个共享参数的过滤器，计算中心像素点以及相邻像素点的加权和来构成特征图实现空间特征的提取，卷积核的参数通过优化求出才能实现特征提取的作用，而GCN的理论很大一部分就是为了引入可以优化的卷积...
pytorch框架下—GCN代码详细解读
热门推荐
Melvin Dong的博客
08-19 5万+
说明：本文是对论文“SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS， ICLR 2017”中描述的GCN模型代码的详细解读。 代码下载地址：https://github.com/tkipf/pygcn 论文下载地址：https://arxiv.org/abs/1609.02907 数据集下载地址：https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz 目录代码结构总览一、数据.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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