Can Graph Neural Networks Count Substructures复现实验记录

最新推荐文章于 2022-08-19 13:16:01 发布
最新推荐文章于 2022-08-19 13:16:01 发布
阅读量350 收藏
点赞数
分类专栏： 图嵌入 pytorch 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/StarfishCu/article/details/111468419
版权

相比上一篇Nerual Subgraph Isomophism Counting的实验说明，这篇文章的实验说明很不详细，这里只关注subgraph部分，也就是synthetic文件夹下的代码，记录下复现过程：

记录

在这里插入图片描述data文件夹中本来是没有lrp_save_path文件夹的，需要手动建立（这个代码里没有建立文件夹的代码）。
还需要在synthetic文件夹下建立save_model和results文件夹。

在这里插入图片描述
然后运行main_synthetic.py即可。
在这里插入图片描述

StarfishCu
关注
专栏目录
Can Abnormality be Detected by Graph Neural Networks?
小蚂蚁与大象
08-07 726
与此同时，图神经网络(GNNs)正在成为建模图数据的强大工具。原因：1) gnn的低通特性与包含异常的网络本质上是不一致的。这就导致gnn学习到的异常节点表示无法区分，从而不可避免地导致图异常检测问题的性能不佳。因此，要使gnn在图异常检测上取得良好的性能，必须提供足够的归纳偏差，使模型自适应地选择低频、高频或两者都用于区分异常节点。正如许多现有工作所探索的那样，图神经网络可以被视为图信号的过滤器，在图中具有低频的优势。在真实数据集上的实验结果表明，该模型与几种最先进的基线方法相比，取得了显著的性能提升。.
【ICML2022】图神经网络异常检测的再思考
数据派THU
06-07 607
来源：专知 本文为论文，建议阅读5分钟 异常的存在将导致“右移”现象。图神经网络(GNNs)在图异常检测中有着广泛的应用。由于谱滤波器的选择是GNN设计的关键之一，因此通过图谱分析异常是GNN设计的第一步。我们的关键观察是，异常的存在将导致“右移”现象，即频谱能量分布较少集中在低频，较多集中在高频。这一事实促使我们提出了Beta小波图神经网络(BWGNN)。事实上，BWG...
我们真的需要深度图神经网络吗？
喜欢打酱油的老鸟
08-04 1452
2020-07-30 19:07:22 深度学习的一大特点就是使用的神经网络具有几十层甚至数百层。与之形成鲜明对比的是，大多数用于图深度学习的架构都很“浅”，只有少量的层。在本文中，作者提出了一个看上去有些离经叛道的问题：图神经网络架构的深度能否带来任何优势？ 本文最初发表于 TowardsDataScience 博客，经原作者 Michael Bronstein 授权，InfoQ 中文站翻译并分享。 今年，图深度学习成为机器学习领域 炙手可热的话题之一。然而，那些习惯于想象卷积神经网络.
AMiner 会议论文推荐第十二期
AI_Conf的博客
11-10 1715
AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 IJCAI 2020 论文推荐 Set and Rebase: Determining the Semantic Graph Conne.
阅读笔记--CAN GRAPH NEURAL NETWORKS GO “ONLINE”? AN ANALYSIS OF PRETRAINING AND INFERENCE
tn520520的博客
09-01 211
文章目录一、介绍概览Inductive learning 与 Transductive learning二、实验设置总结 一、介绍 概览 研究动机：现实应用中，大规模的图数据往往是动态的而不是静态的。新的节点和边会随时出现。而当这种情况发生后，并不容易决定是重新训练模型还是在原有模型的基础上进行训练。作者将经过预训练的GNN和从头再训练的GNN进行了对比，对于新插入的节点和边，经过预训练的GNN性能强于在新插入的节点和边的图数据上进行重新训练的GNN。 本文中，作者创建了一个专用实验来评估图神经网络的推理
Introduction to Graph Neural Networks.pdf
04-19
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理图数据。图数据结构广泛存在于各种现实世界问题中，如社交网络、化学分子结构、交通网络等。CMU的Minji Yoon博士在她的112页...
刘知远-Introduction to Graph Neural Networks.pdf
04-01
Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent ...
E(n) Equivariant Graph Neural Networks
04-13
E(n)等变图神经网络（E(n) Equivariant Graph Neural Networks，简称EGNNs）是一种新型图神经网络模型，主要学习对旋转、平移、反射和置换操作具有等变性质的图表示。这种等变性质意味着当输入图的结构经过某些对称...
2019-KDD-DEMO-Net Degree-specific Graph Neural Networks for Node
08-04
实验结果在几个节点和图分类基准数据集上展示了DEMO-Net相对于最先进的图神经网络模型的有效性和效率。DEMO-Net的关键特性在于其能够更好地处理节点的度信息，提高对图结构的敏感性，并提供了更清晰的图级池化的理论...
2019-MINCUT POOLING IN GRAPH NEURAL NETWORKS-网文-rrrr1
08-08
本文《2019-MIN CUT POOLING IN GRAPH NEURAL NETWORKS》提出了一种创新的方法，即基于最小割（minCUT）优化目标的可微无监督损失的GNNs池化操作。最小割是一种图论概念，它旨在寻找将图分成两个部分的边集合，使得...
智能控制英文版教材的仿真程序
01-21
刘金琨老师智能控制英文版教材的仿真程序，详细的MATLAB程序代码，安装程序代码可以复现书中的仿真图。
复现数据增强实验（1）--Contextual Augmentation: Data Augmentation by Words with Paradigmatic Relations
NANA170110的博客
08-19 1329
最开始知道题目中的论文，是看到BERT做数据增强的论文，Conditional BERT Contextual Augmentation，看到有同学分析的文章（见https://zhuanlan.zhihu.com/p/53141568），文章中提到了Kobayashi的这篇论文，刚好有开源的代码，作为英专毕业数年的不合格程序媛，自己写代码是不现实的，决定用开源的代码复现一下实验结果，记录以下作为...
全方位复盘GNN，12位大神寄望2021年大爆发
BAAIBeijing的博客
01-07 1506
作者：Michael Bronstein编译：李梦佳，贾伟近段时间，图神经网络（GNN）作为机器学习最热门的领域之一，唱盛有之，唱衰也不少。就在前两天，一位数据科学家发表了一篇题为“为...
图神经网络（Graph Neural Networks）概述
热门推荐
看我，看我，还看我，再看我就把你吃掉！
06-04 7万+
论文：A Comprehensive Survey on Graph Neural Networks 一篇关于图神经网络的综述文章，着重介绍了图卷积神经网络（GCN），回顾了近些年的几个主要的图神经网络的的体系：图注意力网络、图自编码机、图生成网络、图时空网络。 1、介绍 传统的机器学习所用到的数据是欧氏空间（Euclidean Domain）的数据，欧氏空间下的数据最显著的特征就是有着规则...
​一文梳理ICML 2022中图机器学习热点和趋势
Paper weekly
08-19 2610
©作者 |Mikhail Galkin，Zhaocheng Zhu译者 |Zhaocheng Zhu单位 |Mila研究所/麦吉尔大学/蒙特利尔大学研究方向 |图机器学习，知识图谱每年 ICML 都汇集了全球顶级 AI 研究者们的不少工作。在刚过去的 ICML 2022 中，我们看到了上百篇图机器学习相关的工作，以及不少相关的 Workshop [1]。在此，我们和大家来分享一下当下图机器...
人脸识别(实验复现)
spylyt的专栏
03-11 1844
英文原文地址:https://medium.com/@ageitgey/machine-learning-is-fun-part-4-modern-face-recognition-with-deep-learning-c3cffc121d78中文翻译版地址:https://zhuanlan.zhihu.com/p/24567586实验脚本:https://github.com/YuTingLiu...
Deep Residual Network实验复现
Mr. Mao的专栏
08-07 2474
本文是对ImageNet 2015的冠军ResNet(Deep Residual Networks)以及目前围绕ResNet这个工作研究者后续所发论文的总结，主要涉及到下面5篇论文。 1. Link: Highway Networks: Rupesh Kumar Srivastava, Klaus Greff, Jürgen Schmidhuber 2. Link: Deep
GAN网络做异常检测
weixin_45534297的博客
07-13 1926
""" @Time : 2021/7/6 15:20 ------------------------------------------------- @Author : sailorlee(lizeyi) @email : chrislistudy@163.com ------------------------------------------------- @FileName: train_gan.py @Software: PyCharm """ import matplotlib.
尝试复现论文：RePr: Improved Training of Convolutional Filters
SweetWind1996的博客
07-08 1075
尝试复现RePr 我的复现地址：https://github.com/SweetWind1996/implementation-of-RePr 论文看了好几遍，也看了一些讨论，讨论在：https://www.reddit.com/r/MachineLearning/comments/ayh2hf/r_repr_improved_training_of_convolutional_filters...
graph neural networks
最新发布
03-16
图神经网络（Graph Neural Networks）是一种用于处理图数据的深度学习模型。它可以对节点和边进行特征提取和表示学习，从而实现对图数据的分类、聚类、预测等任务。图神经网络的应用领域包括社交网络分析、化学分子结构预测、推荐系统等。
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