Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter1：Introduction

最新推荐文章于 2022-07-05 12:47:42 发布
最新推荐文章于 2022-07-05 12:47:42 发布
阅读量1.2k 收藏 2
点赞数 1
分类专栏： 文章翻译 深度学习 文章阅读及源码实现
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/d179212934/article/details/108330611
版权
本文介绍了图神经网络（GNNs）的背景和动机，包括其与卷积神经网络（CNNs）的关系和网络嵌入的作用。GNNs是用于处理非欧几里得数据，如图结构的有效深度学习方法，适用于节点分类、链接预测等问题。文章讨论了GNN在图数据上的局限性和相关工作，如MoNet、图网络框架等。
摘要由CSDN通过智能技术生成

文章目录

1、Introduction

图是一种数据结构，它对一组对象（nodes）及其关系（edges）进行建模。近来，用机器学习分析图的研究受到越来越多的关注，因为图具有巨大的表达能力，即图可以作为大量系统的表征，横跨各个领域，包括社会科学（social network）[Hamilton et al., 2017b, Kipf and Welling, 2017],、自然科学（physical systems）[Battaglia et al., 2016, Sanchez et al., 2018] 和蛋白质-蛋白质相互作用网络 [Fout et al., 2017]、知识图谱 [Hamaguchi et al., 2017] 和其他许多研究领域 [Khalil et al., 2017] 。作为机器学习的一种独特的非欧式数据结构，图引起了人们对关注节点分类、链接预测和聚类的分析。图神经网络(GNNs)是基于深度学习的方法，操作于图域。由于GNN具有令人信服的性能和较高的可解释性，近来成为一种应用广泛的图分析方法。在下面的段落中，我们将说明GNN的基本动机。

1.1 MOTIVATIONS

1.1.1 CONVOLUTIONAL NEURAL NETWORKS

首先，GNNs的动机是卷积神经网络（CNNs）LeCun et al. [1998]。CNNs具有能够对多尺度局部空间特征进行提取和合成，以获得高表示能力的特征

最低0.47元/天 解锁文章
MelvinDong
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter3：Basic of Neual Networks
Melvin Dong的博客
09-04 631
3、Basic of Neural Network 神经网络是机器学习中最重要的模型之一。人工神经网络由众多的神经元组成，相互之间有联系，其结构与生物神经网络有很大的相似之处。神经网络的学习方式如下：以随机权重或数值启动，神经元之间的连接通过反向传播算法反复更新其权重或数值，直到模型表现相当精确。最后，神经网络学习到的知识以数字方式存储在连接中。大多数关于神经网络的研究都试图改变它的学习方式（用不同的算法或不同的结构），目的是提高模型的泛化能力。 3.1、Neural （神经元） 神经网络最基本的单元是神经
Introduction to Graph Neural Network (GNN) 图神经网络入门详解
Jay_Tang的博客
08-17 3670
文章目录往期文章链接目录NoteBackground and IntuitionIntro to Graph Neural NetworksGNNs FrameworkDefinitionRecurrent graph neural networks (RecGNNs)Introduction to RecGNNsBanach's Fixed Point TheoremRecGNNs v.s. RNNsLimitation of RecGNNsGated Graph Neural Networks (GGN
刘知远-Introduction to Graph Neural Networks.pdf
04-01
Graphs are useful data structures in complex real-life applications such as modeling physical systems, learning molecular fingerprints, controlling traffic networks, and recommending friends in social networks. However, these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent neural networks (RNNs)). Nodes in graphs usually contain useful feature information that cannot be well addressed in most unsupervised representation learning methods (e.g., network embedding methods). Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its convincing performance and high interpretability, GNN has recently become a widely applied graph analysis tool.
Introduction to Graph Neural Network翻译-第二章数学与图基础
qq_32679139的博客
04-30 600
2. 数学与图基础 2.1 线性代数 线性代数的语言和概念在计算机科学的许多领域都得到了广泛的应用，机器学习也不例外。对机器学习的良好理解是建立在对线性代数的透彻理解的基础上的。 在这一节中，我们将简要回顾线性代数中的一些重要概念和计算，这对于理解本书的其余部分是必要的。在这一节中，我们将回顾线性代数中的一些基本概念和计算，这对于理解本书的其余部分是必要的。 2.1.1 基本概念 标量： 一个数 ...
Introduction to Graph Neural Network翻译-第五章 图卷积网络
qq_32679139的博客
05-22 856
5. 图卷积网络 在本章中，我们将讨论图卷积网络（GCNs），其目的是将卷积推广到图域。 由于卷积神经网络（CNNs）在深度学习领域取得了巨大的成功，因此在图上定义卷积运算是非常直观的。 在这个方向上的进展通常分为频谱方法和空间方法。 由于在每个方向上都有很大的变化，因此本章仅列出几个经典模型。 5.1 频谱方法 频谱方法使用图的频谱表示形式。在本节中，我们将讨论四种经典模型(Spectral Network、ChebNet、GCN和AGCN)。 5.1.1 频谱网络（SPECTRAL NETWORK） B
Introduction to Graph Neural Network（图神经网络概论）翻译：目录总览
Melvin Dong的博客
08-31 1752
前言：最近对图神经网络部分比较感兴趣，偶尔看到清华大学刘知远老师在今年3月份发表的一本书：Introduction to Graph Neural Network，于是将该书内容进行翻译，记录阅读中自己的感悟。如翻译有不准确或者错误的地方，请指正。 在原文中，不可避免的会有大量的人名、专业词汇等，本文翻译时将其保留，便于日后对其他文献的阅读与理解 翻译进展： Chapter1：Introduction Chapter2：Basic of Math and Graph Chapter3：Bas.
Introduction to Graph Neural Networks.pdf
04-19
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理图数据。图数据结构广泛存在于各种现实世界问题中，如社交网络、化学分子结构、交通网络等。CMU的Minji Yoon博士在她的112页...
Introduction to Graph Neural Network翻译-第六章 图循环网络
qq_32679139的博客
05-29 799
还有一种趋势是在传播步骤中使用来自rnn的门机制，如GRU [Cho et al.， 2014]或LSTM [Hochreiter and Schmidhuber, 1997]，以减少普通GNN模型的限制，提高图上长期信息传播的有效性。 6.1 GATED GRAPH NEURAL NETWORKS Li等人[2016]提出在传播步骤中使用门循环单元(GRU)的GGNN。 它将递归神经网络展开固定数量的TTT步，并随时间反向传播以计算梯度。 具体地说，传播模型的基本递归是: avt=AvT[h1t−1…hN
原始图神经网路 Introduction to Graph Neural Networks chapter4 ---Vanilla graph neural network
weixin_44236865的博客
04-21 1024
原始图神经网络(GNN)于2009年提出，本文简述一下他的原理一些变种和在表达能力以及训练性能上的局限。
Introduction to Graph Neural Networks 脑图笔记 (MarginNote)
09-01
http://nlp.csai.tsinghua.edu.cn/~lzy/books/gnn_2020.html 这本书的脑图笔记，iPad 下载 MarginNote 查阅。
一份简短入门《图神经网络GNN》笔记小册.pdf
04-11
本文组织如下:首先，介绍了图和网络的基本概念。其次，我们描述了在GNNs中用于计算节点嵌入的主要步骤。接下来，我们将介绍现有文献中经常提到的三种GNN技术。最后，我们对该领域的其他著名作品进行了有限的综述。
Introduction to Neural Networks
07-12
内含Jeff Heaton的三本关于神经网络的英文书： （1）《Introduction to Neural Networks for Java, 2nd Edition》； （2）《Introduction to neural networks for c# Second Edtion》； （3）《Introduction to the Math of Neural Network》
GNN入门级读书笔记《Introduction to Graph Neural Network》
weixin_55768678的博客
07-21 439
GNN入门级读书笔记《Introduction to Graph Neural Network》 简单了解一下文章作者 刘知远——清华大学教授，主要方向：自然语言处理（NLP） 目录： 一：Introduction 1.目的： GNN和CNN的差别在于CNN只能对图像(二维网格)和文本(一维序列)等常规欧氏数据进行操作，GNN可用于非欧氏域 graphembedding它学习用低维向量来表示图节点、边或子图，存在缺点1.编码器中节点不共享参数2.缺乏泛化能力 2.相关工作： Zhang..
【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门]（1）
weixin_43360025的博客
03-14 2025
图神经网络入门论文翻译与解读（1）图的概述 最近读了一篇Distill网站上的一篇文章，讲的是图神经网络的入门，我给翻译了一下供大家参考。  原文章阅读请移步至A Gentle Introduction to Graph Neural Networks。非常tu推荐大家去原网址读这篇文章，因为这个网站上的文章的图都具有交互性，可读性很高，非常便于大家理解。  如果大家想看这篇文章的视频解读的话，非常推荐大家去听，是李沐老师为大家讲解，李沐老师讲的很好。请移步至零基础多图详解图神经网络（GNN/GCN）【论文
Introduction to Graph Neural Networks 摘要(1) 预备知识
清欢
08-22 1109
文章目录0. 前言1. Introduction1.0. 图的基本概念1.1. 为什么要设计GCN1.2. 相关工作2. Basics of Math and Graph2.1. 线性代数2.2. 概率论2.3. 图论3. Basics of Neural Networks3.1. 神经元3.2. 反向传播3.3. 神经网络 0. 前言 《Introduction to Graph Neural Networks》是清华大学刘知远教授在2020年3月发布的新书。 本书简介 可通过Sci-Hub免费下载
Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter4：Vanilla Graph Neural Networks
Melvin Dong的博客
09-05 839
文章目录4、Vanilla Graph Neural Networks（原始图神经网络）4.1、 Introduction4.2 Model4.3 Limitations 4、Vanilla Graph Neural Networks（原始图神经网络） 在本节中，我们描述了Scarselli et al. [2009] 文章中提出的Vanilla GNN。此外，我们同时列出了Vanilla GNN在表示能力和训练效率方面的局限性。在本章之后，我们将讨论Vanilla GNN的集中变体。 4.1、 Intro
跟李沐学AI：A Gentle Introduction to Graph Neural Networks（图神经网络GNN）
weixin_43589205的博客
07-05 1097
跟李沐学AI：零基础多图详解图神经网络（GNN/GCN）【论文精读】
【李沐精读GNN论文总结】A Gentle Introduction to Graph Neural Networks
热门推荐
我的技术栈碎碎念空间
11-14 1万+
博客文章链接：A Gentle Introduction to Graph Neural Networks 在这篇博客中，很多图都是交互图，可以由读者自行操作演示。非常感谢李沐老师在11月4日发的【论文精读】视频。本文是结合原文和李沐老师的讲解总结出来的。第一次看distill的文章，让我实在是很惊喜，李沐老师将在最后的评价部分评价distill的文章。 在上图中，每一层都是一层网络，每一层的节点都受到下一层中自身节点和邻居节点的影响。如果网络比较深，是可以处理到一幅图中较大范围的节点。 1 前言 图神经
《introduction to graph neural networks》pdf
最新发布
10-21
《Introduction to Graph Neural Networks》是一本介绍图神经网络的PDF。图神经网络是一类用于处理图结构数据的深度学习模型。该PDF主要介绍了图神经网络的基本概念、结构和应用。 首先，PDF简要介绍了图神经网络的...
评论 1
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