图机器学习基础知识——CS224W（19-science）

最新推荐文章于 2024-05-20 23:56:38 发布
最新推荐文章于 2024-05-20 23:56:38 发布
阅读量218 收藏 2
点赞数 10
分类专栏： 图机器学习基础知识 文章标签： 机器学习 人工智能 深度学习 图卷积神经网络 图机器学习
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/WindGrin_/article/details/137894909
版权

CS224W: Machine Learning with Graphs

Stanford / Winter 2021

19-science

Pre-Training of GNN

Paper : STRATEGIES FOR PRE-TRAINING GRAPH NEURAL NETWORKS

Pre-Training of GNN

  • Pre-Training的意义

    在这里插入图片描述

  • GNN预训练的几个难点

    • 预训练效果往往不好（Leads to negative transfer）

      在这里插入图片描述

    • 解决方案：同时预训练节点与图的embedding

      在这里插入图片描述

      • Attribute Masking & Context Prediction (学BERT的…)

Hyperbolic Graph Embeddings

Paper :

Hyperbolic Graph Embeddings

Design Space of Graph Neural Networks

Paper: Design Space for Graph Neural Networks

Design Space of Graph Neural Networks

XaiverZ
关注
  • 10
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
免费下载2021冬斯坦福大学Stanford CS224W《图机器学习Machine Learning with Gra
04-02
2021年冬季斯坦福大学Stanford CS224W《图机器学习Machine Learning with Graphs》课程全部PPT，从官网下载的，有缘人自取，不需要积分就可以下载，欢迎大家下载。这位大佬的视频b站有相关的视频，感兴趣的可以去...
【CS224W】(task1)图机器学习导论
发现问题，并解决问题，批判性思维
02-06 1462
>本讲介绍了图数据挖掘的常见任务、典型方法、应用场景、编程工具。图是描述大自然各种关联现象的通用语言，图无处不在。不同于传统数据分析中样本独立同分布假设，图数据自带了关联结构，需要使用专门的图神经网络进行深度学习。 本讲介绍了斯坦福CS224W公开课的课程大纲；在节点、连接、子图、全图各个层面进行图数据挖掘的典型任务，以及在蛋白质结构预测、生物医药、内容推荐、文献挖掘、社交网络、开源项目评价等领域的应用。
CS224W课程学习笔记（一）：课程介绍与图深度学习概念
submarineas的博客
02-13 720
我们从怎么利用图形或网络表示数据这一动机开始。网络成为了用于描述复杂系统中交互实体的通用语言。从图片上讲，与其认为我们的数据集由一组孤立的数据点组成，不如考虑这些点之间的相互作用和关系。在不同种类的网络之间进行哲学上的区分是有启发性的。对网络的一种解释是作为现实生活中出现的现象的例子。我们称这些网络为 。比如：网络的另一种解释是作为一种可用于解决特定预测问题的数据结构。在这种情况下，我们对实体之间的关系更为感兴趣，因此我们可以有效地执行学习任务。我们称这些网络为 ，比如：在本课程中，我们主要考虑和学习
神经网络知识梳理——从神经元到深度学习
bigquant的博客
01-09 9252
在深度学习十分火热的今天，不时会涌现出各种新型的人工神经网络，想要实时了解这些新型神经网络的架构还真是不容易。光是知道各式各样的神经网络模型缩写（如：DCIGN、BiLSTM、DCGAN……还有哪些？)，就已经让人招架不住了。 因此，这里整理出一份清单来梳理所有这些架构。其中大部分是人工神经网络，也有一些完全不同的怪物。 尽管所有这些架构都各不相同、功能独特，当我在画它们的节点图时……其中潜在的关...
我爱机器学习 机器学习干货站- 资源
热门推荐
hzdxw的专栏
07-30 1万+
我爱机器学习 机器学习干货站 跳至正文 机器学习 Deep Learning 所有主题 关注我们 DeepMind团队的《Deep Reinforcement Learning in Large Discrete Action Spaces》 发表于2016年4月7日由smallroof Paper: Deep Reinforcement Learning in Large Discrete Ac
【MIL】论文阅读与翻译——Neural Networks for Multi-Instance Learning.（2002）
m0_46651960的博客
08-11 744
Z.-H. Zhou and M.-L. Zhang.Neural Networks for Multi-Instance Learning. Technical Report, AI Lab, Department of Computer Science & Technology, Nanjing University, Nanjing, China, Aug. 2002. 摘要   多实例学习是Dietterich等人提出的。在他们对药物活性预测的研究中。在这样的学习框架中，训练示例是由实例组成
机器学习怎么学？看这篇就够了！！
yym68686
03-30 8978
基础知识 1.数学 数学是学不完的，也没有几个人能像博士一样扎实地学好数学基础，入门人工智能领域，其实只需要掌握必要的基础知识就好。AI的数学基础最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程是本科必修的。这里整理了一个简易的数学入门文章。 数学基础：高等数学 https://zhuanlan.zhihu.com/p/36311622 数学基础：线性代数 https://zhu...
机器学习数据集的方法 及 数据集资源
ejinxian的专栏
01-21 9109
  亚马逊AWS高级技术顾问Will Badr介绍了8种寻找机器学习数据集的方法 1、Kaggle数据集   Kaggle的数据集中，包含了用于各种任务，不同规模的真实数据集，而且有许多不同的格式。此外，你还可以在这里找到与每个数据集相关联的交互式笔记本Kernels，这些笔记本能够在浏览器中运行。 在这里，每个数据集都是一个小的交流社区，可以讨论数据，寻找一些公开的代码，或者在Kern...
深度学习和机器学习的相关资料
细心程度决定你的成败
04-01 8638
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schm
机器学习那些事
zr29021的博客
10-10 336
原题】A Few Useful Things to Know About Machine Learning 【译题】机器学习的那些事 【作者】Pedro Domingos 【译者】刘知远 【说明】译文载于《中国计算机学会通讯》 第 8 卷 第 11 期 2012 年 11 月 ，本文译自Communications of the ACM 2012年第10期的“A Few
从零开始的机器学习——Logistic回归 （2018-8-6）.zip
04-16
作为人工智能核心研究领域之一的机器学习， 其研究动机是为了使计算机系统具有人的学习能力以实现人工智能。 那么， 什么是机器学习呢？ 机器学习 (Machine Learning) 是对研究问题进行模型假设，利用计算机...
斯坦福_图机器学习_CS224W_课程讲义.zip
02-04
斯坦福_图机器学习（图神经网络）_CS224W_课程讲义（包含homework）
机器学习与知识发现——2013级期末考试试卷 -答案1
08-08
P(no|x)=2/5 * 1/4 * 1/4 *1/4 *1/2 = 1/320P(yes|x)=3/5 * 3/6* 3/6 *4/6*5/6= 1/4 预
cs224w-colab5.py 代码附件
09-19
附件为精简后的colab5中第二部分实验代码，数据集，上述流程图.py文件
【机器学习】优化算法之：随机梯度下降（SGD）
商务合作 | 面试培训 | 职场规划 ==>主页扫码
05-20 692
机器学习，必会优化算法之 随机梯度下降
机器学习之sklearn基础教程（第十篇：总结与扩展阅读）
载_酒i
05-20 222
本系列教程主要介绍了sklearn库的基础知识、方法和运用。
文生图模型演进：AE、VAE、VQ-VAE、VQ-GAN、DALL-E 等 8 模型
最新发布
2401_84033492的博客
05-20 556
本文中我们从 AE（AutoEncoder）模型出发，逐步介绍了 VAE（Variational Autoencoder），VQ-VAE（Vector Quantised VAE）、VQ-VAE-2 以及 VQ-GAN 等工作。然而这些工作往往用于无条件生成，或者有条件的类别、图像等，其往往不支持文本输入，或者相关能力很弱。从 21 年初 DALL-E 的发布，文生图的模型开始大量出现。基于此，我们也进一步介绍了 DALL-E、DALL-E mini 和 CLIP-VQ-GAN 等模型。
机器学习之sklearn基础教程（第九篇：常见问题与解决方法）
载_酒i
05-20 153
在使用scikit-learn（sklearn）进行机器学习任务的过程中，我们常常会遇到一些问题。本篇教程将为你介绍一些常见问题及其解决方法，帮助你更好地使用sklearn进行机器学习。
睿智的目标检测27——pytorch搭建faster r-cnn目标检测平台
01-28
PyTorch是一个开源的机器学习库，具有灵活的设计和易于使用的特点，因此非常适合用于搭建目标检测平台。我们将利用PyTorch提供的模块和工具，构建一个包含RPN模块、ROI pooling模块和分类回归模块的Faster R-CNN模型...

“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