MixHop Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood

于 2024-08-17 20:10:23 发布
阅读量208 收藏
点赞数 2
分类专栏： 异配图 文章标签： 异配图 深度学习
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/chairuilin/article/details/141285955
版权

推荐指数 #paper/⭐⭐
发表于:NeurIPS 19
太老了,因此只能给2颗星
思路:
文章配图
即:将各阶的邻居拼接在一起.很简单

图神经网络（三）MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing
码匀的博客
03-13 1845
MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing GitHub： github.com/samihaija/mixhop 文章目录前言一、Introduction二、Model Architecture三、Experimental Results总结 前言 单层GCN因为其本身的特性使得其只能使用一阶邻域的特征，尽管通过多层的叠加理论上可以获得较好的特征聚合，但也因此会产生
图神经网络论文阅读(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019
qq_36618444的博客
10-12 3351
本文的全名叫做《MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》，作者们来自University of Southern California与Google AI, New York。GCN由于基于切比雪夫截断的简化使得在卷积的过程中只能使用邻居节点的信息，不能学习一般的邻域混合关系。因此本文提出了新的模型MixHop，它可以通过在不同距离重复混合邻居的特征表示来学习这些关系。
图网络 MixHop 简介
我不爱机器学习的博客
03-03 4246
1 模型提出 标题：MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing 链接：https://arxiv.org/abs/1905.00067 标准GCN只能学习到相邻结点之间的信息，不能学习邻里混合关系。 为了解决这个缺点，作者提出了一个新的模型，MixHop，通过重复混合不同距离的邻居的特征表示，它可以学习这些关系，包括不同的运算子。MixHop不需要额外的内存或计算复杂性
论文《MixHop：Higher-Order Graph Convolutional Architectures via Sparisified Neighborhood Mixing》笔记
bunny___的博客
06-03 1294
【MixHop】根据2024年异配图神经网络综述《Towards Learning from Graphs with Heterophily：Progress and Future》中的分类（Taxonomy）部分，MixHop是半监督学习（Semi-Supervised）下的第二类找到多跳邻居（Finding Multi-Hop Neighbors）中的一种算法，该算法在GCN的基础上从只聚合一跳邻居信息优化至可以聚合多跳邻居信息，从而更适用于一跳邻居间异配但多跳邻居间同配的图。
《MixHop Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》阅读笔记
LW的技术小筑
04-15 965
之前的GCN及其后续工作在图卷积过程中，仅聚合自己的1-hop邻居的消息。作者指出可以将聚合扩大到不同距离的邻居，并基于该idea提出了MixHop，该模型能在不增加额外内存和计算复杂性的同时，生产更加表达能力的节点表示。实验结果表明作者设计的MixHop是有效的。
知识图谱、图神经网络等一周论文整理(一)
いいこと？暁の磕盐线に胜利を刻みなさいっ！
12-17 2051
模型篇 清华孙茂松组：入门GNN必读35篇 High 【图神经网络】MixHop: Higher-Order Graph Convolution Architectures via Sparsified Neighborhood Mixing #开源论文# #ICML 2019# 本文是图分析大牛Bryan Perozzi组发表于ICML 2019的工作。本文argue现有的GNN模型无法学习到...
【Graph Neural Network 图神经网络】3.Spatial-based Graph Convolutional Networks 基于空间的图卷积网络
TsingM
06-25 3673
图卷积网络（GCN） 卷积图神经网络（GCN，图卷积网络）与递归图神经网络关系密切。与使用收缩约束迭代节点状态不同，ConvGNNs在架构上使用具有固定数量的不同卷积层来处理循环相互依赖，下图说明了这一关键区别。由于图卷积与其他神经网络的融合更加高效方便，近年来它的普及率迅速提高。 GCN可分为两类，基于谱域Spectral的和空间Spatial的。基于谱域的方法从图信号处理的角度引入滤波器来定义图卷积，其中图卷积运算被解释为从图信号中去除噪声。而基于空间的方法继承了RecGNNs的思想，通过信息传播来定
​KDD 2020 开源论文 | 图神经网络多变量时序预测
Paper weekly
11-02 7531
©PaperWeekly 原创 ·作者｜马敏博学校｜西南交通大学硕士生研究方向｜命名实体识别本次分享的论文是 KDD 2020 的一篇工作，出发点是为了更好地建模多变量时间序列数据中成...
图神经网络的原理（GNN与GCN）
爱护阳光
10-31 1万+
参考知乎回答：https://www.zhihu.com/question/54504471/answer/332657604
原创 | 假期必读：一文看尽2019-2020各大顶会GNN论文（附链接）
数据派THU
01-20 3065
纵观2019年包括深度学习、计算机视觉、文本处理以及数据挖掘在内的顶级会议，图学习相关的论文较于之前都有十分明显的增长。而就 2020的情况来看，这个趋势还在不断扩大。总之，Graph ...
【机器学习】网络表征学习、网络嵌入必读论文
敲代码的quant的博客
02-22 7692
以下内容转载于： https://blog.csdn.net/weixin_40400177/article/details/103329924 NRL: network representation learning. NE: network embedding. Content Survey Papers Models Bacis Models Attributed Network Dyn...
GCN现有变体不完全汇总（在时空数据挖掘中的应用）
zzyy0929的博客
03-04 3881
GCN现有变体汇总（应用篇） Mix Hop（高阶多跳的图特征）融合 文献： ICML_2019 MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing AAAI_20: M...
A Higher-Order Graph Convolutional Layer-NIPS2018-论文笔记
mei1318874404的博客
04-10 1137
论文题目-,《高阶图卷积层》 是NIPS-2018年的一篇论文 1.摘要 目前的图卷积主要有2种，一种是基于空间域的图卷积，一种是基于谱域的图卷积。针对谱域的图卷积，前人是利用傅里叶变换和拉普拉斯近似，将卷积的方法成功的从欧几里得数据推广到图结构数据。然而这种方法过度简化了这种近似。将图卷积表示为一种聚合邻居节点的算子。这个简化限制了模型的学习能力。在本文中作者提出了一种新的图卷积层，它可以混合多...
图卷积网络、图神经网络必读论文
热门推荐
知行合一，止于至善
08-24 1万+
文章目录Content[Survey papers](#content)Models[Basic Models](#content)[Graph Types](#content)[Pooling Methods](#content)AnalysisEfficiencyApplicationsPhysics[Chemistry and Biology](#content)[Knowledge Gra...
GNN and GCN
肖泽的博客
08-15 4604
MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing k-hop Graph Neural Networks
五大顶会2019必读的Graph Embedding最新论文
AI科技大本营
10-22 2916
来源：深度传送门（ID:deep_deliver）【导读】本文主要总结一下深度推荐系统相关的几大顶会（包含ICML2019/ KDD2019/ IJCAI2019/ WW...
AI人工智能的下一个拐点：图神经网络迎来快速爆发期
CDA数据分析师
01-08 972
作者 | 刘忠雨 来源 | AI 前线（ID：ai-front） 图神经网络（GNN，Graph Neural Networks）是 2019 年 AI 领域最热门的话题之一。图神经网络是用于图结构数据的深度学习架构，将端到端学习与归纳推理相结合，业界普遍认为其有望解决深度学习无法处理的因果推理、可解释性等一系列瓶颈问题，是未来 3 到 5 年的重点方向。2019 年图神经网络有哪些研究成果...
GNN架构/体系优质论文推荐
AI_Conf的博客
10-29 345
GNN Architecture ，研究GNN架构/体系，基本涵盖了GNN最经典、必读的文章，如基于谱图卷积的GCNs三部曲， 序列图神经网络GGNN，基于注意力机制的GAT等。 1.论文名称：Semi-Supervised Classification with Graph Convolutional Networks. 链接：https://www.aminer.cn/pub/58437722ac44360f1082efeb 2.论文名称：Deep Graph Infomax. 链接：https://w
2019.10.18 note
PKU_ZZY的博客
10-21 2380
2019.10.18 note Quaternion Knowledge Graph Embeddings In this work, authors move beyond the traditional complex-valued representations, introducing more expressive hypercomplex representations to mode...
Graph Transformer Networks
最新发布
03-12
- **Graph Convolution Layers**: These layers perform convolutions over nodes within a certain neighborhood defined by edges in the input graph. - **Transformer Blocks**: Each block contains multi-...
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