![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
graph
文章平均质量分 62
BVL10101111
THU master, interested in ML,DL,DM
github:https://github.com/BenchengY
展开
-
论文笔记之Deep Convolutional Networks on Graph-Structured Data
本篇论文是2015年nips上的一篇论文, 是对于其本人在2014年nips发表的论文:Deep Convolutional Networks on Graph-StructuredData 对于graph上的cnn进一步探讨。相比于之前的工作,此篇论文主要贡献有两点: 1.将之前的construction应用于大数据集的分类问题——Imagenet 2.对于输入的graph是否有标签,分别原创 2016-12-02 19:12:38 · 8290 阅读 · 1 评论 -
论文笔记之Spectral Networks and Deep Locally Connected Networks on Graphs
这是2014 nips上的一篇论文。 主要的贡献就是设计了在irregular grid上的cnn的应用。**文中有两个并列的模型:第一个模型deep locally connect network(spatial construction从空间角度去建立)locally 体现在 只取每个节点前k个neighborhoods。 connect 体现在,每层与每层之间的神经元数目是通原创 2016-12-01 20:17:29 · 15040 阅读 · 4 评论 -
论文笔记之Learning Convolutional Neural Networks for Graphs
本篇论文是2016ICML上的一篇论文,对于如何将cnn应用在graph上提供了一种新的思路。架构: 总体上讲,就是用w个固定size=(k+1)的子图来表示输入的graph,再将这w个子图正则化后,生成一个w(k+1)维的向量,作为传统的cnn的输入,进行学习。其实就是做了一个从graph到向量的映射的一个预处理过程。算法流程 输入:任意一张图 输出:每个channel输出w个recep原创 2016-12-06 11:07:32 · 10191 阅读 · 5 评论 -
论文笔记之Learning Deep Representations for Graph Clustering
本篇论文是2014年AAAI的一篇论文。思想也比较简单,主要是采用SAE(栈式自编码),在graph上进行node embedding,将embedding得到的每个node的vector做为输入,进行graph cluster。论文中采用的是最常用的k-means方法来cluster。算法如下: step1 得到graph的n*n的邻接矩阵S和度矩阵Dstep2 将D’S作为SAE的输入原创 2017-01-09 19:32:56 · 3944 阅读 · 1 评论 -
论文笔记之Diffusion-Convolutional Neural Networks
本文是2016年NIPS上的论文也是在graph上采用cnn进行了探讨。思路看似十分简单: 对于一张graph而言,有N个node,每个node有F个feature,每个节点关注H hop以内的信息 架构: 对于 node classification 输入:H*N*N*F 第一层:(其实对于每个node而言,通过这一层的映射,会得到一个H*F的map。对于map上的每个元素,是这么得来的原创 2017-01-11 14:41:05 · 6235 阅读 · 0 评论 -
论文笔记之Structural Deep Network Embedding
本论文是kdd2016的一篇论文主要的目的也是做node embedding。主要的想法就是通过deep autoencode对node进行embedding,不过在在embedding的时候不仅考虑了1-hop的信息而且考虑了n-hop的信息。使其变成半监督学习的模式(其实就是对loss function改了改)输入是一个graph的n*n的邻接矩阵S,其实可以看成有n个数据的训练集,每个数据的f原创 2017-01-09 20:09:43 · 6445 阅读 · 3 评论 -
NRL: network representation learning & NE: network embedding. 相关论文总结
Must-read papers on NRL/NE.NRL: network representation learning. NE: network embedding.DeepWalk: Online Learning of Social Representations.Bryan Perozzi, Rami Al-Rfou, Steven Skiena. KDD 2014. paper转载 2017-07-18 11:36:34 · 3921 阅读 · 1 评论