Learning Convolutional Neural Networks for Graphs论文笔记

最新推荐文章于 2024-06-25 10:33:24 发布
最新推荐文章于 2024-06-25 10:33:24 发布
阅读量138 收藏
点赞数
分类专栏： GNN 文章标签： 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/eternal_city/article/details/121132045
版权

Learning Convolutional Neural Networks for Graphs

论文链接

总结

提出了PATYCH-SAN的方法，将CNN拓展到图上使用。

网络架构

1. 步骤

  1. 从图中挑选一系列的节点。
  2. 为上一步中挑选出的节点选取邻居。
  3. 将挑选出的子图（挑选出的节点和它的邻居实质上是一张子图）标准化。
  4. 用卷积神经网络就行学习。

2. 节点选择

首先，对图中节点进行排序，以此为每个节点赋予一个标签（类似于聚类的结果），并以此对节点进行排序。
然后，挑选出序列中下标为 i + m ∗ s （   i 为 第 一 个 节 点 下 标 ， s 为 步 长 ， m = 0 , 1 , 2... w − 1 ， w 为 要 取 出 节 点 的 数 量 ） i+m*s（\ i为第一个节点下标，s为步长，m=0,1,2...w-1，w为要取出节点的数量） i+m∗s（ i为第一个节点下标，s为步长，m=0,1,2...

最低0.47元/天 解锁文章
飞花穿庭
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Learning Convolutional Neural Networks for Graphs 论文笔记
guaidoukx的博客
03-29 351
paper 这篇论文主要是想将CNN的思想用到graph上。 这篇是spactial GCN。 使用一个节点的邻居来作为CNN当中的感受野。 但是图像中中心节点的选择，是有顺序的，一般从上到下，从左到右，但是gragh中心节点的选择就没有这样的规则；同时图像中的感受野是规规整整的，但是graph中的感受野(邻居)是不规整的，那么就需要有一个规则来确定中心节点的选择，以及使这个感受野的选择，具有某种...
【论文通俗解读】Learning Convolution Neural Networks for Graphs
weixin_39052229的博客
06-28 234
文章目录一、论文概述二、思路三、方法讲解1. Node Sequence Selection2. Neighborhood Assembly3. Graph Normalization4. 方法总结四、效果展现五、总结与思考 论文链接：https://arxiv.org/pdf/1605.05273.pdf 代码链接：https://github.com/seiya-kumada/patchy-san/ 一、论文概述 该文于2016年在顶会ICML上发表。 随着深度学习的发展，神经网络在文本，图像等结构化
【注意力机制】《DCANet： Learning Connected Attentions for Convolutional Neural Networks》
猫猫与橙子的博客
09-03 2019
文章链接：https://arxiv.org/abs/2007.05099 作者团队：北德克萨斯州大学 目录 1.Abstract 2.Deep Connected Attention 2.1Revisiting Self-Attention Blocks 2.2 Attention Connection 2.3 Size Matching 2.4 Multi-dimensional attention connection 4.Experiments 4.1 Classificatio
图神经网络论文阅读(二) Learning Convolutional Neural Networks for Graphs：ICML2016
qq_36618444的博客
01-09 747
# Learning Convolutional Neural Networks for Graphs 本文的三位作者都来自德国Heidelberg的NEC Labs Europe，文章提出了一种从图数据中提取局部连接区域的通用方法（PATCHY-SAN），用来解决图神经网络中的经典问题：如何在大规模的图上应用卷积？如何将卷积操作泛化到任意结构的图？通过实验证明了算法的有效性，并且模型的计算是高效...
小工具——寻找节点的一二三阶邻居
qq_37730871的博客
12-22 5110
日常小工具，本人代码水平一般，只是存在这里当笔记。若正好有小伙伴用到，希望能帮助到你，如若有错误之处，欢迎批评指正。 输入：图以及图中一个节点 输出：该节点在图中的一阶，二阶，三阶邻居 import networkx as nx def find123Nei(G, node): nodes = list(nx.nodes(G)) nei1_li = [] nei2_li = [] nei3_li = [] for FNs in list(nx.neighbors(G
刘知远-Introduction to Graph Neural Networks.pdf
04-01
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 ...
A Comprehensive Survey on Graph Neural NETWORKS.pdf
02-27
networks, convolutional graph neural networks, graph autoencoders, and spatial-temporal graph neural networks. We further discuss the applications of graph neural networks across various domains ...
深入了解神经网络-研究论文
05-19
神经网络是一系列逻辑和算法，可满足对一组数据中相关实体和关系的识别，其工作方式与智人大脑的工作方式非常相似。 今后，神经网络可以将其引用扩展到神经元的配置，除了自然的配置外，神经元的配置也可以具有合成...
tensorflow for deep learning.pdf
10-21
1. Introduction to Deep Learning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Machine Learning eats Computer Science 10 Deep Learning Primitives ...
Affinity Graph Supervision for Visual Recognition.pdf
10-19
亲和图是深度学习架构，特别是图卷积神经网络（Graph Convolutional Neural Networks, GCNs）和注意力网络中的重要工具，用于表示数据源中实体之间的有意义连接。 目前的研究主要集中在从这些图中抽象特征，而忽视...
论文笔记之Learning Convolutional Neural Networks for Graphs
热门推荐
BVL的博客
12-06 1万+
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
[论文阅读笔记53]2021深度神经方法的关系三元组抽取综述
ld326的专栏
08-13 3760
1. 题目 Deep Neural Approaches to Relation Triplets Extraction: A Comprehensive Survey Tapas Nayak†, Navonil Majumder, Pawan Goyal†, Soujanya Poria IIT Kharagpur, India 印度理工学院 – 被称为印度“科学皇冠上的瑰宝” Singapore University of Technology and Design, Singapore 新加坡科
导读ICML2016 - Learning Convolutional Neural Networks for Graphs
mmc2015的专栏
06-20 5295
http://mp.weixin.qq.com/s?__biz=MzIxNzE2MTM4OA==&mid=2665642794&idx=1&sn=b11ec8699218d43bb7b404a4980bf82e&scene=25 感觉方法挺好： 论文引介 |Learning Convolutional Neural Networks for Graphs 原创 201
Learning Convolutional Neural Network for Graphs解读
WangKingJ的博客
11-17 1027
本片论文是2016ICML的一篇论文，将的是如何将CNN应用在graph上的一种新的思路。关于graph 这个数据结构如果不熟悉的话，可以看一下文章末的简单的整理。 1.概要   对于图卷积，总体来说，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w(k+1)维的向量，作为传统的CNN网络的输入，进行学习。其实就是做了一个从graph到向量的映射的一个...
《Learning Discrete Structures for Graph Neural Networks》译文与一些个人理解
weixin_45086320的博客
08-01 4297
《Learning Discrete Structures for Graph Neural Networks》读后感 包括 英文、汉译以及个人的见解 Abstract Graph neural networks (GNNs) are a popular class of machine learning models whose major advantage is their ability to incorporate a sparse and discrete dependency structur
[机器学习]-1 概要介绍
wendywm0496的博客
06-22 1085
机器学习是一门利用算法和统计模型来使计算机系统通过数据进行学习的学科，其目标是让计算机在没有明确编程的情况下，自动改进其性能，其核心任务是从数据中学习模型，这些模型可以用于预测、分类、聚类等任务。机器学习的本质就是回归（连续性）和分类（离散性）的问题。基础概念：-数据集（Dataset）：用于训练和评估模型的数据集合。通常分为训练集、验证集和测试集。-特征（Features）：用于描述数据的属性或变量。-标签（Labels）：监督学习中，用于指导模型学习的目标值。
机器学习-保存模型并根据模型进行预测 python demo
最新发布
杨杨杨~~的博客
06-25 377
如果您觉得有用的话，记得给，写作不易啊^ _ ^。而且听说，实在白嫖的话，那欢迎常来啊!!!
AI播客下载：Machine Learning Street Talk（AI机器学习）
AIGCTribe的博客
06-22 1009
他们做了出色的工作，对每个节目进行了彻底的研究，并与机器学习行业中一些受过最高教育、最全面的嘉宾进行了双向对话。他们列出的人工智能研究人员名单令人印象深刻，他们总是能提供有趣的对话。之前的一些嘉宾包括 Jeff Hawkins、Gary Marcus、Francois Chollet、Pedro Domingos、Yoshua Bengio 和 Yann LeCun。旗舰节目涵盖了人工智能、认知科学、神经科学和心灵哲学方面的时事，并进行深入分析。佩德罗·多明戈斯教授，《终极算法》的作者。
机器学习-线性回归模型python demo
杨杨杨~~的博客
06-25 466
如果您觉得有用的话，记得给，写作不易啊^ _ ^。而且听说，实在白嫖的话，那欢迎常来啊!!!
convolutional neural networks on graphs with fast localized spectral filtering
06-28
### 回答1： 这句话的意思是，使用快速局部谱滤波在图上进行卷积神经网络。在这个过程中，图像被表示为一个图，节点表示像素，边表示它们之间的关系。然后使用谱滤波器来处理这些图像，以便更好地捕捉它们之间的关系。由于使用了快速局部谱滤波器，因此可以有效地减少计算量，并提高计算效率。 ### 回答2： 卷积神经网络（CNN）在计算机视觉领域中被广泛应用，而针对图像上的卷积运算也得到了很好的改进。但是，对于图结构数据，卷积操作却变得更加困难。近年来出现了一些新的关于卷积神经网络用于图结构数据的方法，如基于图卷积网络（GCN）等。本文要介绍的“convolutional neural networks on graphs with fast localized spectral filtering”，即基于图谱的局部快速滤波的卷积神经网络，是另一种针对图结构数据的卷积方法。 传统的CNN通常采用局部的、线性的滤波器来提取图像的空间特征。而对于图结构数据，由于图上两个节点之间的关系是任意的，以及节点的特征不一定是有序的，因此无法直接地应用局部的卷积操作。但是，与图结构数据相对应的，是一个特殊的函数——图谱，它提供了丰富的图结构信息。 图谱（即拉普拉斯矩阵）是一个对称的稀疏矩阵，反映了图结构和节点特征之间的关系。将图谱的特征值和特征向量作为滤波器，就可以将图上的卷积操作转化为图谱卷积的形式。尤其是，利用局部滤波器就可以实现对图上节点嵌入向量的快速计算。 该方法涉及到了图谱嵌入、拉普拉斯矩阵、小批量图谱卷积核的设计等方面的内容。其中，图谱嵌入是将图结构数据映射为一个低维向量表示的过程，具有降维和特征抽取的作用；拉普拉斯矩阵是反应了图结构的一类矩阵，与图谱嵌入有密切关系；在卷积核设计方面，考虑到图结构的多样性和规模，将设计小批量卷积核进行快速的局部卷积操作，以提高计算效率。 该方法的优点在于，可以处理任意结构的图像和非图像数据，并且具有较好的鲁棒性和泛化能力。是否可以进一步提高计算效率，仍需更多的研究来探索。 ### 回答3： 卷积神经网络是一种基于多层神经元的深度学习算法，被用于图像、文本和声音等领域。最近，学者们开始研究如何将卷积神经网络应用于图形数据，如社交网络、交通网络和化学分子。其中，卷积神经网络特别适合处理图形数据，因为它可以学习局部特征，并保持局部空间关系。因此，卷积神经网络在图形任务上取得了许多优秀成果。 然而，之前的卷积神经网络模型存在一些不足，比如缺乏设计可解释性、效率低下、过度拟合等。为了解决这些问题，一种新的基于谱滤波的图形卷积神经网络被提出，即convolutional neural networks on graphs with fast localized spectral filtering。 这种方法在卷积层引入了局部谱滤波器，能够提高模型的效率和可解释性。谱滤波器可以学习图形数据的空间结构特征，能够捕捉节点之间的相邻关系和密度。而局部谱滤波器则针对每个节点的邻居子图进行滤波，使模型能够更好地识别图形数据中的局部特征。 此外，该方法还能够解决过拟合问题。过拟合是神经网络经常遇到的问题，即模型在训练集上表现极佳，但在测试集上表现不佳。谱滤波器可以在输入数据中学习的特征不够显著时，利用图形数据的全局谱信息进行补充，并减少过拟合的发生。 总之，convolutional neural networks on graphs with fast localized spectral filtering是一种高效、可解释、稳定的图形卷积神经网络。此方法在实际应用中有很大的潜力，如社交网络分析、城市交通预测、生物学和化学分子分析等领域。

“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