EvolveGCN 文献阅读笔记

最新推荐文章于 2024-05-09 18:10:33 发布
VIP文章 最新推荐文章于 2024-05-09 18:10:33 发布
阅读量250 收藏
点赞数
分类专栏： 文献阅读 文章标签： 算法
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/NINJA_xu/article/details/120677936
版权

论文题目

EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs

发表日期、所属会议/期刊/预印本:

AAAI 2020

做得什么:

EvolveGCN在时间维度上采用了图卷积网络（GCN）模型，而无需借助节点嵌入。所提出的方法通过使用RNN来进化GCN参数来捕获图序列的动态性。

怎么做的（重点）:

  • EvolveGCN的整体演示图 

        RNN可以为GRU或LSTM等循环神经网络，时间步不同会沿层生成不同的信息

  • GCN

  1. GCN的计算过程，t时刻,第l层的领接矩阵A与结点的embedding矩阵H作为输入，W矩阵作为更新t+1时刻的结点embedding的矩阵。如图：

最低0.47元/天 解锁文章
NINJA_xu
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
AddGraph：使用基于注意力的时态GCN在动态图中进行异常检测
05-11
动态图中的异常检测在许多不同的应用场景（例如推荐系统）中变得非常重要，同时由于异常的高度灵活性和缺乏足够的标记数据，它也带来了巨大的挑战。 最好通过考虑所有可能的提示（包括结构，内容和时间特征）来学习异常模式，而不是在局部特征上使用启发式规则。 在本文中，我们提出了AddGraph，这是一种使用带有注意模型的扩展时态GCN（图卷积网络）的通用端到端异常边缘检测框架，它可以捕获动态中的长期模式和短期模式图。 为了应付不足的显式标记数据，我们在半监督方式的AddGraph训练中采用了选择性的负采样和边距损失。 我们在现实世界的数据集上进行了广泛的实验，并说明AddGraph在异常检测方面可以明显优于最新的竞争对手。
EvolveGCN:动态图的参数演化图卷积网络 AAAI2020
goto_past的博客
11-04 7921
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs 论文链接. Abstract 由于深度学习在欧几里得数据中的广泛应用，图表示学习重新成为一个趋势，它激发了非欧几里得领域(尤其是网络图)神经网络的各种创造性设计。随着这些图神经网络(GNN)在静态设置中的成功，我们进一步考虑图动态演化的实际场景。现有的方法通常利用节点嵌入，并使用递归神经网络(一般为 RNN)来调节嵌入和学习时间动态。这些方法需要了解一个节点的全部时间跨度(
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
Milkha的博客
03-01 1716
文章目录1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性 论文地址：https://arxiv.org/pdf/1902.10191 来源：AAAI, 2020 源码地址：EvolveGCN 关键词：Dynamic Graphs, GCN 1 前言 该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的表征通过RNN来学习不断进化的graph，这种方法在学习表征时需要知道结点在所有时间区间上的变化（相当于是transductiv
时序图 循环_【知识图谱系列】动态时序知识图谱EvolveGCN
weixin_39863161的博客
12-17 1384
EvolveGCN (AAAI 2020) 分享EvolveGCN汇报ppt版可通过关注公众号机器学习与自然语言处理​mp.weixin.qq.com回复关键词：EvolveGCN 来获得，供学习者使用！一、背景知识在上一篇CompGCN中讲解了异质知识图谱在处理复杂实体间多关系类型的方案。本篇分享知识图谱落地时另一重要场景：动态时序知识图谱，下面先给出动态时序知识图谱的基本概念，方便还不熟悉的同...
Temporal Graph Neural Network：EvolveGCN、MPNN-LSTM
weixin_65191557的博客
09-16 407
本文介绍了一种具有时空信息的新型图。这个时间分量在许多应用中都很有用，主要与时间序列预测有关。我们描述了适合这种描述的两种类型的图：静态图，其中特征随着时间的推移而变化，以及动态图，其中特征和拓扑可以改变。此外，我们还介绍了时态GNN的两种应用。首先，我们实现了EvolveGCN架构，它使用GRU或LSTM网络来更新GCN参数。我们通过重新访问网络流量预测来应用它，并在有限的数据集上取得了出色的结果。其次，采用MPNN-LSTM结构进行疫情预测。我们对英格兰Covid数据集应用了一个带有时间信号的动态图，但
EvolveGCN：动态图的演化图卷积网络 翻译
weixin_43889128的博客
11-05 1333
摘要 由于深度学习广泛用于欧氏数据，图形表示学习作为一种趋势研究学科而兴起，这激发了非欧氏域中神经网络的各种创造性设计，尤其是图形。 随着这些图神经网络（GNN）在静态环境中的成功使用，我们可以处理图在动态发展的其他实际情况。 现有的方法通常诉诸于节点嵌入，并使用递归神经网络（广义上说是RNN）来调节嵌入并学习时间动态。 这些方法需要了解整个时间范围内的节点（包括训练和测试），并且不适用于频繁更改节点集的情况。 在某些极端情况下，不同时间步长的节点集可能会完全不同。 为了解决这一挑战，我们提出了Evolve
【论文导读】- EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs（EvolveGCN：用于动态图的演化图卷积网络）
1+1=王的博客
02-23 5494
由于深度学习在欧几里得数据上的广泛应用，图表示学习重新成为一个热门的研究课题，它激发了非欧几里得领域神经网络，特别是图的各种创造性设计。随着这些图神经网络( Graph Neural Networks，GNN )在静态环境下的成功，我们进一步逼近了图动态演化的实际场景。现有方法通常借助节点嵌入，并使用循环神经网络( RNN ,广义上讲)来调节嵌入和学习时间动态。这些方法需要节点在全时间跨度(包括训练和测试两部分)内的知识，对于节点集频繁变化的情况适用性较差。
文献阅读（25）AAAI2020-EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph
CSDNTianJi的博客
09-21 3111
本文是对《EvolveGCN：Evolving Graph Convolutional Networks for Dynamic Graph》一文的浅显翻译与理解，如有侵权即刻删除。
GCN参考文献.zip
08-20
Graph Convolutional Network（GCN）相关paper本分类任务是NLP领域一个重要和经典的问题，先前的工作利用CNN进行了很多尝试，但是却鲜有使用GCN来建模。作者提出了使用Text GCN来进行文本分类任务，基于词共现和文档词关系为一个语料建立一个单独的文本图，然后为语料学习Text GCN模型。该模型通过One-hot表示为词和文档初始化，然后联合学习词和文档的Embedding。实验结果表明，在没有任何外部的词Embedding和知识的情况下，本文提出的Text GCN模型在多个文本分类benchmark数据集上取得了SOAT的效果。另一方面，Text GCNT也在学习预测词和文档的Embedding，在训练数据量更少的情况下，Text GCN在文本分类任务上比SOAT的优势更明显，表现出了很好的鲁棒性。
研究生如何做文献阅读笔记
10-20
研究生如何做文献阅读笔记 pdf 提高文献阅读效率 研究生如何做文献阅读笔记 pdf 提高文献阅读效率
科研文献阅读笔记模板
08-27
科研文献阅读笔记模板，用于整理阅读科研文献的记录，便于归档总结
图卷积网络 GCN 综述
Pumpkin_DAYTOY
04-22 1716
文献题目：Semi-Supervised Classification with Graph Convolutional Networks 文献来源：ICLR 2017 原文链接：https://arxiv.org/abs/1609.02907 参考笔记 GCN 理论：https://blog.csdn.net/weixin_36474809/article/details/89316439...
探索EvolveGCN：IBM的动态图神经网络框架
gitblog_00005的博客
04-18 220
探索EvolveGCN：IBM的动态图神经网络框架 项目地址:https://gitcode.com/IBM/EvolveGCN EvolveGCN是由IBM开发的一个深度学习框架，专门用于处理随时间演变的图数据。它结合了图卷积网络（Graph Convolutional Networks, GCNs）和递归神经网络（Recurrent Neural Networks, RNNs）的优势，为动态图...
图卷积神经网络GCN---池化层代表作
微信号：Custom-Software
05-15 1317
GNN Pooling 文章目录 GNN Pooling 1 Deep Convolutional Networks on Graph-Structured Data 2 Convolutional neural networks on graphs with fast localized spectral filtering 3 An End-to-End Deep Learning Architecture for Graph Classification 4 Hierarchical
2023.2.9，周四【图神经网络 学习记录22】动态图算法 之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-09 496
【图神经网络 学习记录22】动态图算法 之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模
GCN原论文阅读笔记
hxhabcd123的博客
08-04 1794
本文记录GCN原经典论文的阅读笔记，以方便后期查阅
[Easy] leetcode-35 搜索插入位置
最新发布
Sofine
05-09 98
给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。利用二分查找可以更快的找到，只需要修改返回值即可，注意获取mid的计算方法考虑了溢出。注意到是按顺序排列的数组，那么按顺序遍历，如果找到，则跳出循环返回索引即可。如果找到最后还没找到，则返回数组长度索引值即为插入位置。
C语言 | Leetcode C语言题解之第73题矩阵置零
m0_59237910的博客
05-07 255
C语言 | Leetcode C语言题解之第73题矩阵置零
深度学习文献综述笔记csdn
08-09
深度学习是一种机器学习的方法，其利用人工神经网络模拟人类大脑的工作方式，目前已经在多个领域取得了重要的突破和应用。 深度学习文献综述是对相关主题研究的文献进行梳理和总结，主要目的是了解该领域的发展现状、研究趋势和前沿进展。CSDN（中国软件开发网）是一个优质的技术社区，其中包含了大量的关于深度学习的文献综述笔记。 在CSDN上，可以找到很多关于深度学习的文献综述，涵盖了各个方面的研究。这些文献综述笔记通常会陈述该领域的基本概念和理论，在相关研究的基础上进行总结和分析。同时，笔记还会简要介绍当前的研究热点和前沿技术，对该领域的发展方向和问题进行讨论。 CSDN上的深度学习文献综述笔记通常会以简单明了的语言来阐述复杂的科学概念，能够帮助读者快速了解和掌握该领域的知识。这些笔记还会提供相关研究的引用文献，方便读者进一步深入了解和研究。 总之，CSDN上的深度学习文献综述笔记是非常有价值的资源，可以帮助人们快速了解该领域的最新进展和研究动态。通过阅读这些笔记，人们可以更好地理解深度学习的原理和应用，并在相关领域中进行更深入的研究。

“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