![](https://img-blog.csdnimg.cn/20190927151117521.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
【GCN相关】
文章平均质量分 94
GCN相关
haoji007
机器学习爱好者
展开
-
论文翻译-A Comprehensive Survey on Graph Neural Networks《图神经网络GNN综述》
文章目录1 简介 1.1 GNN简史 1.2 GNN的相关研究 1.3 GNN vs 网络嵌入 1.4 文章的创新性 2 基本的图概念的定义 3 GNN分类和框架 3.1 GNNs分类 3.2 框架 4 图卷积网络 4.1 基于图谱的GCN 4.1.1 图信号处理 4.1.2 基于谱的GCN方法 4.1.3 总结 4.2 基于空间的GCN 4.2.1 基于循环的空间GCNs 4.2.2 基于组合的空间GCNs转载 2021-03-06 18:52:12 · 2070 阅读 · 0 评论 -
图神经网络概述(3):来自IEEE Fellow的GNN综述
图神经网络(GNN)热度持续上升,之前我们曾介绍了清华两篇综述论文,参见:深度学习时代的图模型,清华发文综述图网络,和清华大学图神经网络综述:模型与应用。最近,IEEE Fellow、Senior Member 和 Member Zonghan Wu 等人又贡献了一篇图神经网络综述文章。这篇文章介绍了 GNN 的背景知识、发展历史、分类与框架、应用等,详细介绍了各种模型与方法,包括公式、模型图示、算法等,希望对大家有所帮助。引言深度网络的最新进展推进了模式识别和数据挖掘领域的研究。目标检测...转载 2021-03-06 18:10:40 · 656 阅读 · 0 评论 -
Hughes现象
Hughes现象是指在高光谱分析中过程中,随着参与运算波段数目的增加,分类精度“先增后降”的现象。与多光谱相比,高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像,因而可以提供更为丰富的细节信息,可以解决许多在多光谱中不能解决的目标探查和分类问题,但是由于Hughes现象的存在,使得高光谱图像的实际应用受到限制。由于多光谱图像的维数较少,训练样本的数目相对于特征空间的维数有较大的比...转载 2020-04-26 19:21:19 · 818 阅读 · 0 评论 -
scipy中稀疏矩阵coo_matrix, csr_matrix 的使用
当对离散数据进行拟合预测时,往往要对特征进行onehot处理,但onehot是高度稀疏的向量,如果使用List或其他常规的存储方式,对内存占用极大。这时稀疏矩阵类型 coo_matrix / csr_matrix 就派上用场了!这两种稀疏矩阵类型csr_matrix存储密度更大,但不易手工构建。coo_matrix存储密度相对小,但易于手工构建,常用方法为先手工构建coo_matrix,...转载 2020-04-22 23:42:02 · 7918 阅读 · 4 评论 -
图数据集之cora数据集介绍- 用pyton处理 - 可用于GCN任务
cora数据集- 下载地址https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgzcora数据集- 内容介绍样本特征,标签,邻接矩阵该数据集共2708个样本点,每个样本点都是一篇科学论文,所有样本点被分为8个类别,类别分别是1)基于案例;2)遗传算法;3)神经网络;4)概率方法;5)强化学习;6)规则学习;7)理论 每篇论文都由一个14...转载 2020-04-22 22:19:19 · 2662 阅读 · 3 评论 -
python复杂网络分析库networkx
文章目录 1 简介 安装 支持四种图 绘制网络图基本流程 2 Graph-无向图 节点 边 属性 有向图和无向图互转 3 DiGraph-有向图 一些精美的图例子 环形树状图 权重图 Giant Component Random Geometric Graph 随机几何...转载 2019-11-29 01:14:21 · 1739 阅读 · 0 评论 -
复杂网络学习的一些常用数据集
见下面的链接:http://vlado.fmf.uni-lj.si/pub/networks/data/转载 2019-11-24 17:56:18 · 878 阅读 · 0 评论 -
网络科学大牛、数据、期刊、会议资料整理
文章目录大牛 期刊 会议 数据集 其他领域数据集网络科学是我的主要研究领域,在此整理一下自己关注的大牛,经常使用的一些免费数据集(附带一些其他领域的数据集),以及相关的一些期刊和会议,希望能节约大家的时间。大牛圣塔菲研究所,位于美国新墨西哥州圣塔菲市的非盈利性研究机构,世界知名的复杂性科学研究中心。该所于1984年由乔治·考温,大卫·潘恩斯,斯特林·科尔盖塔,诺贝尔...转载 2019-11-24 17:54:12 · 780 阅读 · 0 评论 -
总结 | 四篇图网络综述文章提出的Future Directions
A Comprehensive survey on Graph Neural Networks1. 网络加深(Go Deep)深度学习的成功在于深度神经架构。例如在图像分类中,ResNet模型有152层。然而,当涉及到图结构时,实验研究表明[147],随着层数的增加,模型性能显著下降。这可能是因为图卷积使得相邻结点的表示更加相似,因此理论上,在无限次卷积的情况下,所有结点的表示都...转载 2019-11-24 11:56:48 · 550 阅读 · 0 评论 -
GNN + Zero-shot
1 Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs——CMU CVPR20181.1 任务描述total label: n (okapi/ zebra/ deer)seen label: m (zebra/ deer) + training picturesunseen label:...转载 2019-11-24 11:56:58 · 1037 阅读 · 0 评论 -
论文 | 图注意力网络 | GRAPH ATTENTION NETWORKS
论文链接:https://arxiv.org/abs/1710.10903摘要本文提出了图注意力网络(GATs),这是一种新的作用在图结构数据上的神经网络框架。Attention机制利用masked self-attentional layers来解决以前基于图卷积或者与图卷积近似的前人方法中的不足之处。通过堆叠这样的层 —— 当层中节点在更新自身特征的时候能够兼顾它所有邻居...转载 2019-11-24 11:57:04 · 2775 阅读 · 0 评论 -
图卷积网络(Graph Convolutional Network)
一. 图简介,图卷积网络的出现。图(graph)是一种数据格式,它可以用于表示社交网络、通信网络、蛋白分子网络等,图中的节点表示网络中的个体,连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据,因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据:图上的神经网络,最早由Joan Bruna于2014年在论文Spect...转载 2019-11-23 23:08:27 · 731 阅读 · 0 评论 -
图卷积网络详细介绍(三)
文章目录原标题:如何用图卷积网络在图上进行深度学习 第二部分 用谱图卷积进行半监督学习 简单回顾 谱图卷积 加权和聚合 求和法 均值法 谱方法 用GCNs进行半监督分类 对Zachary空手道俱乐部进行社团预测 Zachary空手道俱乐部 MXNet中的谱图卷积 建立图卷积网络 训练G...转载 2019-11-23 22:06:42 · 824 阅读 · 0 评论 -
图卷积网络详细介绍(二)
本文为图卷积网络详细介绍(一)的完整代码实现。图卷积网络详细介绍(一)翻译自Tobias Skovgaard Jepsen写在Medium上的博客文章,该文用代码示例说明了如何通过GCN的隐藏层来传播信息,但是并没有给出完整的代码,尤其是最后的可视化部分。因此,本文给出了该文章案例对应的完整代码。import networkx as nximport numpy as np...转载 2019-11-23 21:42:35 · 731 阅读 · 1 评论 -
图卷积网络详细介绍(一)
文章目录原标题:如何用图卷积网络在图上进行深度学习 第一部分 图卷积网络的高级介绍 图卷积网络是什么? 一个简单的传播规则 简化 一个简单的图 应用传播规则 问题来了!! 添加自环 特征表示归一化 合并 添加权重 添加激活函数 回归现实 Zachar...转载 2019-11-23 21:40:27 · 901 阅读 · 0 评论 -
cnn通俗迁移理解gcn
转载 2019-11-23 21:35:08 · 304 阅读 · 0 评论 -
Hughes现象
Hughes现象Hughes现象是指在高光谱分析中过程中,随着参与运算波段数目的增加,分类精度“先增后降”的现象。与多光谱相比,高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像,因而可以提供更为丰富的细节信息,可以解决许多在多光谱中不能解决的目标探查和分类问题,但是由于Hughes现象的存在,使得高光谱图像的实际应用受到限制。由于多光谱图像的维数较少,训练样本的数目相对于...转载 2019-11-06 10:48:01 · 627 阅读 · 0 评论 -
GCN--如何用图卷积网络在图上进行深度学习
第一部分 图卷积网络的高级介绍在图上进行机器学习是一项困难的任务,因为它的复杂性很高,同时也是由于信息丰富的图结构。这篇文章是关于如何用图卷积网络(GCNs)对图进行深度学习的系列文章中的第一篇。GCNs是一种强大的神经网络,旨在直接处理图并利用它们的结构信息。在这篇文章中,我将介绍GCNS,并通过编码示例说明如何通过GCN的隐藏层传播信息。我们将看到GCN如何从前面的层聚合信息,以及这种...转载 2019-11-06 10:46:35 · 1416 阅读 · 0 评论 -
GCN的形象讲解1,2
GCN的形象讲解12019-07-15 21:50:37zzx3163967592阅读数 322作者:Johnny Richards链接:https://www.zhihu.com/question/54504471/answer/630639025来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。最高票@superbrother答案从...转载 2019-11-06 10:37:07 · 509 阅读 · 1 评论 -
图卷积网络的半监督学习脉络
1、入门:知乎回答:从CNN到GCN的联系与区别——GCN从入门到精(fang)通(qi)2、论文阅读:论文地址:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS论文翻译1:图卷积神经网络的半监督学习论文翻译2:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONV...转载 2019-11-06 10:34:33 · 581 阅读 · 0 评论 -
[ 深度学习 ] —— 图卷积神经网络 GCN
本文链接:https://blog.csdn.net/jdzwanghao/article/details/90543293Multi-layer Graph Convolutional Network (GCN) with first-order filters.1、图卷积要干什么?图卷积神经网络主要要完成的就是这件事,给定一个图网络,把节点(node)(又称顶点(v...转载 2019-11-19 14:14:17 · 1735 阅读 · 0 评论 -
图卷积神经网络GCN ---如何在交通预测中考虑网络拓扑结构
详见:https://blog.csdn.net/zuiyishihefang?t=11、文章信息《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》。2017年第二十七届IJCAI国际人工智能联合会议的一篇会议论文,作者是北京大学数学科学学院的...转载 2019-11-19 14:14:29 · 1364 阅读 · 2 评论 -
浅谈GCN
GCN(Graph convolution Network)是Convets在图结构上的自然推广。卷积神经网络是采用局部感知区域、共享权值和空间域上的降采样,相对于位移、缩放和扭曲,具有稳定不变的特性,能够很好的提取图像的空间特征。图结构不具备图片的平移不变性,传统的卷积方式不适用于图结构。图中每个节点的邻域节点数目不一致,无法用同样尺寸的卷积核进行提取特。而GCN的本质就是提取图...转载 2019-11-19 14:14:35 · 1084 阅读 · 0 评论 -
GCN—图卷积神经网络理解
文章目录 一、CNN卷积 二、GCN 图卷积神经网络 2.1 GCN优点 2.3 提取拓扑图空间特征的两种方式 三、拉普拉斯矩阵 3.1 拉普拉斯矩阵的谱分解(特征分解) 3.2 傅里叶变换、卷积类比到Graph上的傅里叶变换及卷积 3.2.1 推广傅里叶变换 3.2.2 推广卷积...转载 2019-11-19 14:14:44 · 4970 阅读 · 0 评论 -
技术思辨:GCN和CNN到底有什么差别?
写在前面之前偶然在一本书中了解到19世纪末在美国很流行的一种成人教育叫“肖托夸”运动。人们通过这种运动,交流思想,分享知识。随着电视、电影、广播的兴起,这种运动没落了。随着互联网的兴起,它演变成了很多其他的形式。比如通过线上的社群...很感谢愿意参与我们技术交流的伙伴们,希望能够有更多的交流和思想碰撞。图卷积神经网络和图信号处理的联系在哪里?拉普拉斯矩阵的特征向量就是基函数,这...转载 2019-11-19 14:14:51 · 3755 阅读 · 1 评论 -
图卷积网络GCN理解
图卷积网络(Graph Convolutional Network,GCN)是近年来逐渐流行的一种神经网络结构。不同于只能用于网格结构(grid-based)数据的传统网络模型 LSTM 和 CNN,图卷积网络能够处理具有广义拓扑图结构的数据,并深入发掘其特征和规律,例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不规则数据。相比于一般的拓扑图而言,...转载 2019-11-19 14:15:10 · 1111 阅读 · 0 评论 -
Keras版的GCN代码学习
本文链接:https://blog.csdn.net/iamjingong/article/details/97684664在看这个:https://blog.csdn.net/tszupup/article/details/89004637train.pyfrom __future__ import print_function from keras.layers im...转载 2019-11-05 21:46:12 · 1066 阅读 · 0 评论 -
总结 图(有向图、无向图、权、度、存储结构、邻接矩阵、领接表 概念)
图的概念: 图的基本性质: 无向图: 有向图: 连通图: 图的权:有些图的边或者狐剧有与他相关的数字,这种与图的边或者狐相关的数叫做权。 图的度:无向图顶点的边数叫度,有向图顶点的边数叫出度和入度 。 图的数据存储结构-邻接矩阵: 带权邻接矩阵表示法:...转载 2019-11-04 20:49:30 · 3092 阅读 · 0 评论 -
2019-02-26-GCN介绍
转自:https://blog.csdn.net/dstjwjw/article/details/83896312GCN介绍.png参考文献[1]Blog poston graph convolutional networks by Thomas Kipf.[2]Papercalled Semi-Supervised Classification with Grap...转载 2019-11-05 21:46:35 · 232 阅读 · 0 评论 -
GRAPH ATTENTION NETWORKS 学习翻译
GRAPH ATTENTION NETWORKS1.摘要我们提出了graph attention networks (GATs)算法,这个算法主要的创新在于把一种流行的神经网络框架用于图结构数据上,通过masked self-attentional技术形成神经网络层来解决(或者说近似)之前卷积图的不足之处。通过堆叠的网络层级可以获得节点邻居的特征值,论文解决了(说明了)不同邻居节点之间的权...转载 2019-11-23 21:35:37 · 778 阅读 · 0 评论 -
图嵌入
图嵌入思想通过深度学习技术将图中的节点(或边)映射为向量空间中的点,进而可以对向量空间中的点进行聚类、分类等处理图卷积网络(Graph Convolutional Network)诞生空手道俱乐部图,颜色表示通过基于模块化的聚类获得的社团图卷积网络(简称GCN),由Thomas Kpif于2017年在论文Semi-supervised classification with...转载 2019-11-05 21:47:26 · 878 阅读 · 0 评论 -
Graph Convolutional Networks 图卷积网络
Semi-Supervised Classification with Graph Convolutional Networks 基于图卷积网络的半监督分类原文:https://arxiv.org/abs/1609.02907参考:https://blog.csdn.net/w986284086/article/details/80270653DGL 实现:https://docs.dgl.a...转载 2019-11-19 14:15:19 · 783 阅读 · 0 评论 -
图(graph)神经网络学习(四)--代码解析(Model_2)
【2】Model_2: 1stChebNet(2017)-github:gcn (https://github.com/tkipf/gcn) (tensorflow){Semi-Supervised Classification with Graph Convolutional Networks}基于图卷积网络的半监督分类文章:https://www.colabug.com/52310...转载 2019-11-04 20:55:19 · 1914 阅读 · 0 评论 -
浅析图卷积神经网络
今天想和大家分享的是图卷积神经网络。随着人工智能发展,很多人都听说过机器学习、深度学习、卷积神经网络这些概念。但图卷积神经网络,却不多人提起。那什么是图卷积神经网络呢?简单的来说就是其研究的对象是图数据(Graph),研究的模型是卷积神经网络。为什么有图卷积神经网络自2012年以来,深度学习在计算机视觉以及自然语言处理两个领域取得了巨大的成功。和传统方法相比,它好在哪里呢?假设有一张图...转载 2019-11-04 20:55:13 · 353 阅读 · 0 评论 -
深度学习时代的图模型,清华发文综述图网络
深度学习在多个领域中实现成功,如声学、图像和自然语言处理。但是,将深度学习应用于普遍存在的图数据仍然存在问题,这是由于图数据的独特特性。近期,该领域出现大量研究,极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网络;无监督方法,包括图自编码器;近期新的研究方法,包括图循环神经网络和图强化学习。然后按照这些...转载 2019-11-04 20:55:04 · 350 阅读 · 0 评论 -
深度学习时代的图模型,清华发文综述图网络
深度学习在多个领域中实现成功,如声学、图像和自然语言处理。但是,将深度学习应用于普遍存在的图数据仍然存在问题,这是由于图数据的独特特性。近期,该领域出现大量研究,极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网络;无监督方法,包括图自编码器;近期新的研究方法,包括图循环神经网络和图强化学习。然后按...转载 2019-11-04 20:50:00 · 235 阅读 · 0 评论 -
GCN代码分析
0.简单的跑通代码0.1 运行环境 tensorflow (>0.12) networkx0.2 运行方法cd gcnpython train.py1. 数据1.1 使用自己的数据为了使用自己的数据,必须提供:(1)一个NN的邻接矩阵(N是节点的数量);an N by N adjacency matrix (N is the number of node...转载 2019-11-04 20:50:19 · 7974 阅读 · 2 评论 -
为什么是GCN(转)
一、GCN中的Graph指什么?为什么要研究GCN?CNN是Computer Vision里的大法宝,效果为什么好呢?原因在上面已经分析过了,可以很有效地提取空间特征。但是有一点需要注意:CNN处理的图像或者视频数据中像素点(pixel)是排列成成很整齐的矩阵(如图2所示,也就是很多论文中所提到的Euclidean Structure)。image图2 图像矩阵示意图(Euc...转载 2019-11-04 20:52:14 · 614 阅读 · 0 评论 -
GCN
参考论文笔记:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS如何理解 Graph Convolutional Network(GCN)?图卷积网络(Graph Convolutional Network, GCN)图卷积网络(Graph Convolutional Network)GCN入门理论在看GCN前首...转载 2019-11-04 20:54:06 · 336 阅读 · 0 评论 -
回顾频谱图卷积的经典工作:从ChebNet到GCN
AI研习社关注0.8922019.06.12 11:17:46字数 2,211阅读 170从2018年起,图神经网络(GNN)开始受到了额外的关注,成为了一个新的热点。在2019年CVPR所有录用的论文中,关键字graph出现的次数就从2018年的15次增长到了45次,增长态势凶猛。其中许多工作都与GCN相关(比如之前解读过的IGCN),这是一篇被ICLR2017会议录用的频谱图卷积...转载 2019-11-04 20:54:18 · 1775 阅读 · 0 评论