ICLR2022 GNN论文阅读 (二) 泛读 (1-2)

已于 2022-03-30 14:52:53 修改
阅读量613 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： ICLR 机器学习 深度学习 图神经网络 GNN
于 2022-03-20 22:18:45 首次发布
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/bagba/article/details/123622071
版权

论文列表

目前找了录用的一些有关于Graph或者GNN的文章，先过一遍各个文章的摘要，然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。

在这里插入图片描述

摘要速读

Paper1

"TOPOLOGICAL GRAPOH NEURAL NETWOERKS"

摘要简介

  • 提出了叫做TOGL的一种可以增强任意GNN的层结构。
  • 配备了TOGL的GNN严格上比MPNN（message passing）的GNN在WL test类型的任务上要更具表达能力。
  • 在图分类，节点分类任务上效果好，包括真实数据集和人工数据集。

实验

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Paper2

在这里插入图片描述

摘要简介

  • 提出一种GNN模型架构ST-GNN，专门针对具有空间时间拓扑结构随时间而变化的数据集。
  • 该model关键点在于将时间卷积和空间卷积整合到一个激活函数下面。
  • 定义了一种Multivariate Integral Lipschitz Filters，理论上，在topology会变化的情况下，也比较稳定。
  • 在flocking, 和 motion planning两类任务上效果不错。

实验

在这里插入图片描述

Paper3-Paper4

Bagba
关注
专栏目录
selfmonitoring-agent:ICLR 2019论文的PyTorch代码
05-05
视觉和语言导航的自我监控导航代理 这是我们论文的PyTorch实现： 通过辅助进度估计进行自我监控的导航代理，， ， ， ， ，国际学习代表大会（ICLR），2019 （评论的前7％） [ ] [ ] [] [ ] CVPR 2019的后续工作...
ICLR 2022 | GNNAsKernel: 能提升任意GNN表达能力的通用框架
Paper weekly
07-18 510
©作者 |焦子豪单位 |南京邮电大学来源 |MIND Laboratory论文标题：From Stars to Subgraphs: Uplifting Any GNN with Local Structure Awareness收录会议：ICLR 2022论文链接：https://arxiv.org/pdf/2110.03753.pdf代码链接：https://g...
ICLR2022 GNN图神经网络论文阅读 (二) 泛读 (11-12)
bagba的知识分享库
03-31 497
ICLR 2022 GNN 图神经网络 论文 泛读 （11-12）
ICLR2022 GNN 图神经网络 论文阅读 (二) 泛读 (7-8)
bagba的知识分享库
03-27 1955
ICLR2022 GNN 图神经网络 论文阅读 (二) 泛读 (7-8)
ICLR 2022 | 将GNN蒸馏给MLP：实现准确且快速的图机器学习模型部署
Paper weekly
08-12 1201
作者 | 张欣单位 |香港理工大学研究方向 |图神经网络、自监督学习论文标题：Graph-Less Neural Networks: Teaching Old MLPs New Tricks Via Distillation收录来源：ICLR 2022论文来源：https://arxiv.org/abs/2110.08727Background图神经网络（Graph ...
ICLR2022 GNN 论文阅读笔记（一）GraphSNN
bagba的知识分享库
03-19 1710
标题 A NEW PERSPECTIVE ON “HOW GRAPH NEURAL NET- WORKS GO BEYOND WEISFEILER-LEHMAN?” （括号内的内容是个人见解，难免偏颇，望请指正） 主题 理论上刻画了Message-Passing GNN 比WL-test 的表达能力更强。（当然，这是基于判断不同graph结构的测试上的结论，GNN还有另外一个表达能力就是学习节点等特征的能力。） 基于以上理论，提出了GraphSNN，在多个区分图结构的数据集上取得了SOTA。 理论框架
ICLR-2019-Poster (2).zip
10-09
ICLR是Yann LeCun 、Yoshua Bengio 等几位行业顶级专家于2013年发起，如今已成为深度学习领域一个至关重要的学术盛事，每年一届，每届包括24篇Oral论文以及诺干Poster论文。
阅读理解-2020-ICLR-Transformer-XH- Multi-Evidence Reasoning with eXt
08-03
本论文《Transformer-XH：基于额外跳转注意力的多证据推理》（Chen Zhao et al., 2020）提出了一种新的Transformer变体——Transformer-XH，它利用“额外跳转注意力”机制，能够内在地对结构化的文本进行建模，并且...
ICLR 2018论文合集
02-12
ICLR（International Conference on Learning Representations）是深度学习领域的顶级国际会议之一，专注于学习表示的最新研究和...通过阅读这些论文，读者可以洞察到深度学习的最新趋势，为自己的研究提供灵感和方向。
ICLR2024录用论文
03-04
### ICLR2024 录用论文概览与核心知识点解析 #### 一、Retrieval is Accurate Generation **知识点概述：** 本篇研究关注于如何通过准确的生成模型来实现有效的检索任务。该研究提出了一个新颖的方法，旨在提高...
一起对话式学习-机器学习02——机器学习方法三要素
最新发布
weixin_73074505的博客
09-16 764
机器学习方法=模型+策略+算法 可以理解为：机器学习模型在一定优化策略下使用相应求解算法来达到最优化目标。
机器学习--卷积神经网络（包括python实现）
ID246783的博客
09-13 898
首先我们要知道channel是什么意思，。我们来举个例子，在计算机视觉中，如果一张图片是黑白的，那么每个像素点都是有一个信息也就是这个像素点的灰度。但是对于一张彩色图片来说，每个像素点都是由三个信息叠加而成的，也就是RBG三个颜色的“灰度”。于是我们对黑白照片操作变成矩阵的时候，我们就会直接将灰度拿来用，把它变成一个二维的矩阵。而对于彩色照片来说，我们就会建立一个高为3的三维张量来存储这个图片。这里的所谓“高度3”就是我们的channel。
车辆检测与分类系统源码分享
xuehaikj的博客
09-13 1344
数据集信息展示在本研究中，我们采用了名为“comexit”的数据集，以支持对YOLOv8模型在车辆检测与分类任务中的改进。该数据集专注于交通工具的识别，特别是公共交通和货运车辆，具有明确的应用背景和实用价值。数据集的类别数量为三，具体包括“bus”（公交车）、“car”（小汽车）和“truck”（卡车）。这三类车辆在城市交通和物流系统中扮演着重要角色，因此，准确的检测与分类对于交通管理、智能交通系统以及自动驾驶技术的发展具有重要意义。
【机器学习】python补充知识点
2301_81133727的博客
09-11 311
是NumPy库中的，用于生成更灵活的数字序列，包括浮点数，并且返回的是NumPy数组。都是用于生成数字序列的函数，但它们属于不同的库，并且有不同的用途和特性。之前，需要确保已经安装了NumPy库，并且在代码中导入了NumPy。是Python内置的，用于生成整数序列，而。
基于机器学习的乳腺癌肿瘤智能分析预测系统
Python极客之家
09-16 901
本系统致力于通过分析肿瘤的各种特征，如半径、纹理、形状等，利用Matplotlib、Seaborn 等工具进行可视化统计分析，并建立机器学习模型来预测肿瘤是否为恶性，测试集预测 AUC 达到 98.441%。系统的设计目的是为了帮助医疗专业人员更快地做出决策，并为患者提供更及时的治疗方案。
机器学习-梯度下降实验一
yangfreeyyds的博客
09-16 188
【代码】机器学习-梯度下降实验一。
人工智能和机器学习：探讨人工智能和机器学习的最新发展、应用、挑战和未来趋势
kelai_6792的博客
09-13 427
人工智能和机器学习的未来趋势主要包括以下几个方面：首先，深度学习和增强学习技术将继续发展，深度学习技术将更加广泛应用于视觉、语音、自然语言处理等领域；最后，人工智能和机器学习将更加注重与人类的协作和互动，以便更好地服务于人类社会的发展。同时，人工智能和机器学习在医疗、金融、物流等领域也得到了广泛的应用。总之，人工智能和机器学习技术的最新发展、应用、挑战和未来趋势是当前科技领域的热点话题，需要我们密切关注和探讨。人工智能和机器学习是当前科技领域的热点话题，其最新发展、应用、挑战和未来趋势备受关注。
机器学习2--matplotlib绘图包
qq_54641174的博客
09-12 514
matplotlib画图
机器学习和深度学习的区别
不会代码的小林
09-11 718
综上所述，机器学习和深度学习在定义与起源、模型复杂度、数据需求、计算资源需求、特征学习能力以及应用范围与场景等方面都存在显著的区别。深度学习：则通常使用多层的神经网络模型，如卷积神经网络（CNN）、递归神经网络（RNN）等，这些模型复杂度高，包含大量的参数，能够处理更加复杂和抽象的问题。机器学习：常用的模型包括线性回归、支持向量机、随机森林等，这些模型相对简单，参数较少，适合处理较为简单的问题。深度学习：需要大量的标记数据来训练复杂的模型，以避免过拟合等问题，对数据的量和质都有较高的要求。
语言模型与现实概念空间映射：ICLR 2022论文解析
《将语言模型映射到基于实例的概念空间》(Mapping Language Models to Grounded Conceptual Spaces) 是一篇于2022年国际计算机视觉与模式识别大会(ICLR)上发表的论文，由罗马·帕特尔(Roma Patel)和埃莉·帕夫利克...
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