关于输入为graph的CNN：Graph CNN

最新推荐文章于 2023-09-18 02:04:42 发布
最新推荐文章于 2023-09-18 02:04:42 发布
阅读量6.8k 收藏 19
点赞数 2
分类专栏： Deep Learning GNN 机器学习 文章标签： GCNN GCN graph convolution AI
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/Trasper1/article/details/82760588
版权

大千世界，所有可见的数据可分为两类：Euclidean Data & Non-Euclidean Data。

目前在Deep Learning的范畴里，CNN和RNN的世界里，广泛应用的images，sentences，waves，等等，都属于Euclidean data。欧式数据，直观理解为具有工整（栅格化的：grid-like）对称性的数据。

然而，网络的概念在现实生活中也是普遍存在的。社交网络，航路网，蛋白质分子联系网，等等等等。注意，这些网络常常是不对称的，即每个节点的degree（neighbor数量）是不确定的，数据是不工整的。网络的数学描述是通过图论的理论，即用网络的边和顶点来描述顶点之间的连接关系。

那么问题就来了。传统ConvNet在Euclidean data上的卷积操作，是完全对称的工整的。一个3*3的Conv filter，就是一个九宫格，要求每个pixel都有8个工整的neighbor（抛去边沿效应）。

因此，CNN可以很好地在image这种euclidean的数据上进行feature learning & extraction。可是，如果input是不工整的graph时，该怎么办呢？该怎么继续使用CNN来提graph里含有的特征呢？

这就引出了Graph CNN的理论，即可以在graph数据上操作的CNN。

好。对于GCNN，我们的期待也很简单。给你输入一个graph，你用某种filtering的操作，给我把这个input graph刷一遍，刷出一个output graph来。

对于euclidea

最低0.47元/天 解锁文章
Trasper1
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 4741
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
Graph Convolutional Networks（GCN）
weixin_65191557的博客
09-04 292
在本文中，我们改进了我们的GNN层来正确地规范化特征。这个增强引入了GCN层和智能规范化。我们将这个新架构与我们在Cora数据集上的GNN进行了比较。由于这种归一化过程，GCN在这种情况下都获得了最高的准确率分数。最后，我们将其应用于维基百科网络的节点回归，并学习如何处理这个新任务。
FUHS_GraphCNN:复现GCN
05-08
具有快速局部光谱滤波的图卷积神经网络 该存储库中的代码将流行的卷积神经网络（CNN）有效地概括为任意图，如本文所述： MichaëlDefferrard，Xavier Bresson，Pierre Vandergheynst，，神经信息处理系统（NIPS），2016年。 附加材料： ，2016-11-22。 ，EPFL硕士课程讲座，2016年12月21日。 上的，2017年9月17日在BMVC的研讨会的受邀演讲。 还有用于以下情况的过滤器的实现： 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 https://github.c
【3D计算机视觉】Dynamic Graph CNN——点云动态图卷积神经网络
小执着的博客
03-21 1万+
Dynamic Graph CNN for Learning on Point Clouds1.简介1.1 解决的问题1.2 贡献1.3 EdgeConv的优缺点：2.网络结构2.1 EdgeConv层介绍2.2 函数的选择2.3 示意图3.实验结果： 1.简介 该文章是最新出的一篇针对Point Clouds数据分类、分割的网路，它是受点云数据处理的鼻祖论文PointNet、PointNet++...
[深度学习笔记][CNN/GCN]Graph Convolutional Network学习笔记
猎人伯爵
09-09 1241
本文仅为个人的学习笔记，对论文或者网上的资料作总结以及加入个人的理解，对论文或者在线资料可能有诸多理解不准确的地方 ，见谅。 主要参考资料： 如何理解 Graph Convolutional Network（GCN）？ - superbrother的回答 - 知乎 https://www.zhihu.com/question/54504471/answer/332657604 Defferrard M, Bresson X, Vandergheynst P. Convolutional neural
图卷积网络（Graph Convolutional Network）
lijunweiyhn的博客
02-25 2万+
转载+整理：https://blog.csdn.net/qq_41727666/article/details/84622965 序 — 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些...
图卷积网络（Graph Convolution Network，GCN）
weixin_44458771的博客
02-16 1万+
在图神经网络出现之前，一般的神经网络只能对常规的欧式数据进行处理，其特点就是节点有固定的排列规则和顺序，如２维网格和１维序列。近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据。
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
02-08
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
用卷积滤波器matlab代码-GraphCut-CNN:图形剪切神经网络
05-21
用卷积滤波器matlab代码欢迎来到GraphCut-CNN主页！ 创建该项目的目的是使用户能够使用卷积神经网络（CNN）对从新加坡全天空成像分割数据库（SWIMSEG）和来自北极研究活动的NASA GLOBE Clouds Citizen Science图像...
nn2graph:将MLP和CNN转移到图形中
04-18
`nn2graph`可以将这些连接和层表示为节点和边，使得我们能够清晰地看到输入如何经过一系列的非线性变换到达输出。这对于调试、优化模型和理解学习过程中的信息流动至关重要。 ### 2. 卷积神经网络（CNN） 卷积神经...
cnn_graph：具有快速局部光谱滤波的图上的卷积神经网络
02-05
该存储库中的代码将流行的卷积神经网络（CNN）有效地概括为任意图，如本文所述： MichaëlDefferrard，Xavier Bresson，Pierre Vandergheynst，，神经信息处理系统（NIPS），2016年。 附加材料： ，2016-11-22。 ...
一文理解GraphCNN与图神经网络
最新发布
禅与计算机程序设计艺术
09-18 2170
在自然语言处理领域，深度学习已经成为当下最流行的机器学习技术。图神经网络（Graph Neural Network）也是近几年非常火热的研究方向之一。Graph-CNN作为一种新型的图神经网络模型，通过对图结构进行特征提取的方法解决了其中的很多问题。虽然Graph-CNN最近几年在学术界和工业界都取得了不错的成果，但是对于非专业人员来说，还是有很大的障碍。因此，本文尝试从更高的角度切入，用通俗易懂的语言阐述一下Graph-CNN及其相关的背景知识。希望能够帮助更多的读者快速了解和掌握Graph-CNN。
Graph RCNN解读
Sundrops的专栏
10-24 2312
这个十月一堆事，心情也比较烦闷，就一直没有动笔写blog，之前一直在做scene graph的生成，然后最近恰好看到graph-rcnn这篇很不错的文章，就解读做个记录 Framework 以往做scene graph generation，基本都是在faster rcnn基础上检测出图片的物体后，两两配对识别他们的关系，这样做是很有效但是很低效，毕竟并不是所有物体都有关系的，这样做太耗时间了...
trainGraph（CNN情感分析yoom例子六）
lyb3b3b的专栏
06-08 1368
代码： """ Train convolutional network for sentiment analysis. Based on "Convolutional Neural Networks for Sentence Classification" by Yoon Kim http://arxiv.org/pdf/1408.5882v2.pdf For 'CNN-non-static'
图神经网络（CNN）一
qq_52380836的博客
08-28 544
图神经网络一,简单介绍什么是图
cnn_graph_trails_learning_filters
baihehaitangyijiu的博客
01-17 222
Spectral Filtering on Convolutional Neural Networks on Graphs Because convolution and pooling operators are only defined for regular grids,like photo。The major bottleneck of generalizing CNNs to graph...
图卷积网络(Graph Convolutional Networks,GNN)简述
a1013552415的博客
08-26 1035
1 什么是离散卷积？CNN中卷积发挥的作用？ 了解GCN之前先要对离散卷积或者说CNN中的卷积有一个认识： 离散卷积本质是一种加权求和，如图1，CNN中的卷积实质是利用一个共享参数的过滤器（kernel），也叫卷积核，通过计算中心像素点以及相邻像素点的加权和来构造特征图（feature map）实现空间特征的提取，当然加权系数就是卷积核的权中系数。 卷积核的系数的确定：通过随机化初始，然后根据误差函数通过反向传播（Back Propagation,BP）与梯度下降（Gradient Desc...
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
热门推荐
知行合一，止于至善
08-24 15万+
文章目录1. 为什么会出现图卷积神经网络？2. 图卷积网络的两种类型2.1 vertex domain(spatial domain)：顶点域（空间域）2.2 spectral domain：频域方法（谱方法）3. 什么是拉普拉斯矩阵？3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵（Symmetric normalized Laplacian）随机游走归一化拉普拉斯矩...
论文阅读：Graph R-CNN for Scene Graph Generation(ECCV18)
qq_40349484的博客
09-15 502
Graph R-CNN模型分为四个部分： （1）目标检测，得到可能包含目标的proposals （2）RePN(Relational Proposal Network)：关系proposal网络。 这个网络的作用是对复杂度为O(n)的物体对数量进行稀疏化，即剪枝。（如果目标检测网络检测出有n个proposal，那么所有可能的物体对就是n*(n-1)，即复杂度为O(n)） RePN计算的是任意一对物体的相关度，pi的意思是第i个结点（物体）的物体分类概率，上标o是object的意思。 φ和ψ是映射函数（两层.
Graph embedding、word embedding、Graph CNN
06-12
Graph embedding是一种将图形数据表示为低维向量的技术，它可以将图形数据中的节点和边表示为向量，然后利用这些向量进行机器学习任务，如图形分类、聚类等。Graph embedding可以帮助我们更好地理解图形数据，并将其应用于各种机器学习任务中。目前，Graph embedding的研究方向主要包括基于图形结构的方法和基于神经网络的方法。 Word embedding是一种将单词表示为低维向量的技术，它可以将自然语言中的单词表示为向量，然后利用这些向量进行机器学习任务，如文本分类、聚类等。Word embedding可以帮助我们更好地理解文本数据，并将其应用于各种机器学习任务中。目前，Word embedding的研究方向主要包括基于统计的方法和基于神经网络的方法。 Graph CNN是一种用于图形数据的卷积神经网络，它可以将图形数据表示为图形信号，然后利用卷积神经网络对其进行学习和处理。Graph CNN可以帮助我们更好地理解图形数据，并将其应用于各种机器学习任务中，如图形分类、聚类等。目前，Graph CNN的研究方向主要包括基于谱域的方法和基于空域的方法。

“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