图卷积网络(Graph Convolutional Networks,GNN)简述

最新推荐文章于 2022-09-28 16:15:28 发布
最新推荐文章于 2022-09-28 16:15:28 发布
阅读量1k 收藏 1
点赞数
分类专栏： 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/a1013552415/article/details/108234220
版权

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      Descent，GD）进行迭代优化。这是一个关键点，卷积核的参数通过优化求出才能实现特征提取的作用，GCN的理论很大一部分工作就是为了引入可以优化的卷积参数。

图1 CNN中卷积提取feature map示意图

2 CNN与GCN处理数据结构的不同

CNN处理的是矩阵结构，是以像素点排列成的矩阵为基础，被称为欧式结构（Euclidean Structure）

GCN处理的是图拓扑结构，即非欧式结构（Non Euclidean Structure）,r如社交网络，信息网络等。

3 拉普拉斯矩阵

图傅里叶变换（Graph Fourier Transformation）及Graph Convolution的定义都用到图的拉普拉斯矩阵，首先先介绍下拉普拉斯矩阵。

对于图G=（V,E），其Laplacian矩阵的定义为L=D-A，其中L是Laplacian矩阵，D是顶点的度函数（对角矩阵），对角线上元素一次为各个顶点的度，A是图的邻接矩阵，下图为Laplacian矩阵的计算方法。

常用的Laplacian矩阵三种不同的表示：

1. L=D-A

2. L^{sys}=D^{-1/2}LD^{-1/2}定义叫Symmetric normalized Laplacian，很多GCN的论文中应用的是这种格式。

3. L^{rw}=D^{-1}L定义叫Random walk normalized Laplacian。

GCN问题的本质：图中得每个结点无时无刻不因为邻居和更远的电的影响而在改变自己的状态，直到最终的平衡，关系越亲近的邻居影响越大。

 

的斯帕瓦
关注
  • 0
    点赞
  • 踩
  • 1
    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 4462
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。
计算机视觉顶会CVPR 2020上与【图神经网络 (GNN) 】相关的论文（5篇）
05-19
本文继续为大家整理了五篇CVPR 2020 图神经网络（GNN）相关论文，供大家参考——行为识别、少样本学习、仿射跳跃连接、多层GCN、3D视频目标检测。
GNN-图神经网络基础内容概述
热门推荐
Breeze
04-12 1万+
前言 过去的十多年中，神经网络在图像和文本等结构化数据中已经表现的十分出色。CNN，RNN，自编码器（Autoencoders）等很多流行的模型在以矩阵或向量作为输入的结构形式数据上都能很好地工作，我称这些结构化的数据为表格数据。而这些模型在非结构化数据上的表现怎样呢？比如最近大家在研究中频繁碰到的图结构数据，如果不将这些非结构化的图数据经过复杂的转换变为表格格式的话，使用传统的方法基本无从下手，...
GNN，图神经网络 （LINE，Graph Sage）
yichudu
07-24 683
简述 图指 G=(V,E)G=(V,E)G=(V,E)。 参考 paper, graphSage website, graphsage
005 CNN、GNN
理工伪文青
05-05 190
DNN（Convolutional Neural Network，卷积神经网络） Why CNN for Image The same patterns appear in different regions Subsampling the pixels will not change the object GNN（Graph Neural Networks） 通过节点把图像变成图（数...
神经网络CNN、RNN、GNN
qq_40353662的博客
07-30 3151
CNN、RNN、GNN这么多的神经网络有什么区别和联系？ 先聊聊什么是神经网络吧 我们的目标是打造人工智能，拥有智慧的大脑无疑是最好的模仿对象。人脑中约有860亿个神经元，这被认为是我们能够思考的原因。神经元有一个细胞体和很多突触组成，能处理电信号，并将它们传递到该去的地方，仿照人脑神经元和工作原理，人们构建了神经网络，一个由节点连接而成的网，我们同样会称呼这些节点为神经元，不过它是一个抽象概念，大部分时间都被用来存储数字，神经突出则被抽象为有权重的连接，决定了数字将如何改变以及传递给哪些神经元。 神经网络
图卷积网络Graph Convolutional Network（GCN）的理解和详细推导.pdf
06-11
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724
Graph Convolutional Networks.zip
09-20
这是个人平时学习中找到的图卷积神经网络的基本资料，图神经网络分为空间卷积和谱图卷积两种形式，这些资料中都有所涉及，希望对大家的学习有所帮助。
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
子图同构计数与匹配的双消息传递图卷积网络_Graph Convolutional Networks with Dual Mess
01-05
子图同构计数与匹配的双消息传递图卷积网络_Graph Convolutional Networks with Dual Message Passing for Subgraph Isomorphism Counting and Matching.pdf
2019-Graph Convolutional Networks with EigenPooling-网文-041
08-08
2019-Graph Convolutional Networks with EigenPooling-网文-041
Bengio 团队力作：GNN 对比基准横空出世，图神经网络的「ImageNet」来了.pdf
04-08
图神经网络（GNN）是当下风头无两的热门研究话题。然而，正如计算机视觉的崛起有赖于 ImageNet 的诞生，图神经网络也急需一个全球学者公认的统一对比基准。近日，Bengio 大神带领其团队发布了新的图神经网络对比基准测试框架以及附带的 6 个标准化数据集。大家可以开始尽情刷榜了！
图神经网络（GNN）的一些论文介绍
02-26
图神经网络论文的介绍，包括多种Graph Embedding、GCN、序列方式的处理。
nlp深度学习基础-CNN、GNN、RNN
◝(⑅•ᴗ•⑅)◜..°♡的博客
09-28 3256
NLP深度学习之CNN、GNN、RNN的学习记录
CNN已老，GNN来了
csdn文章已经很长时间未更新
03-10 737
原文地址：https://www.huxiu.com/article/278413.html 注：第一次了解GNN，不知分享是好是坏，请见谅
汇总一些计算机研究方向的缩写（CNN、RNN、DNN、GNN、GAN、NLP等等）
白洞，白色的明天在等着我们
10-04 7587
CNN(Convolutional Neural Networks):卷积神经网络 RNN(Recurrent Neural Network):循环神经网络 DNN(Deep Neural Networks):深度神经网络 GNN(Graph Neural Networks):图神经网络 BRNN(Recurrent Neural Network):双向长短时记忆循环神经网络 GAN(Generative Adversarial Networks):生成式对抗网络 NLP(Natural Language
图机器学习——5.3 图神经网络：GNN与CNN及Transformer的关系
Kanny
05-23 2516
以上就是GNN的基本框架，下面我们来看看GNN与CNN框架及Transformer中的异同。 1）GNN vs. CNN CNN层与层之间的传递公式为： hv(l+1)=σ(∑u∈N(v)∪{v}Wlu hu(l)),∀l∈{0,…,L−1} \mathrm{h}_{v}^{(l+1)}=\sigma\left(\sum_{u \in \mathrm{N}(v) \cup\{v\}} \mathrm{W}_{l}^{u} \mathrm{~h}_{u}^{(l)}\right), \quad \f
关于输入为graph的CNN：Graph CNN
Trasper1的博客
09-18 6849
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...
GCN | 图卷积 | Graph Convolution 入门笔记
rzy1010470038的博客
12-25 1012
图卷积目标 实现一个函数, Z=f(X,A)Z=f(X,A)Z=f(X,A), 其中 X∈RN×D1X\in R^{N\times D_1}X∈RN×D1​为输入特征, A∈RN×NA\in R^{N\times N}A∈RN×N为稀疏邻接矩阵, Z∈RN×D2Z\in R^{N\times D_2}Z∈RN×D2​为输出特征, NNN是图 (graph) 中的节点数. Naive GCN 信号在...
graph convolutional networks
最新发布
03-16
图卷积网络（Graph Convolutional Networks，GCN）是一种用于图像识别和推荐系统等领域的深度学习模型。它通过对图像中的节点和边进行卷积操作，从而提取出图像中的特征。与传统的卷积神经网络（CNN）不同，GCN 可以...

“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