![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图神经网络
文章平均质量分 95
happiless
这个作者很懒,什么都没留下…
展开
-
超大图上的节点表征学习
一、图神经网络的挑战随着网络层数的增加, 计算成本呈指数增长保存整个图的信息和每一层每个节点的嵌入(embedding)需要消耗巨大的内存空间二、 Cluster-GCN的出现可能损失预测精度或者对提高内存的利用率并不显著无需保存整个图的信息和每一层每个节点的嵌入(embedding)2.1 概览1.利用图节点聚类算法将一个图的节点划分为c个簇, 每一次选择几个组的节点和边构造一个子图, 对子图进行训练2.由于利用图节点聚类算法划分多个簇, 所以簇内边的数量要比簇间边的数量要多得多原创 2021-07-02 01:36:19 · 171 阅读 · 0 评论 -
数据完整存储于内存的数据集类+节点预测与边预测任务实践
一、完全基于内存的数据集类InMemoryDataset基类简介import torchfrom torch_geometric.data import InMemoryDataset, download_urlclass InMemoryDataset(root: Optional[str] = None, transform: Optional[Callable] = None, pre_transfo原创 2021-06-28 01:11:16 · 293 阅读 · 0 评论 -
基于图神经网络的节点表征学习
获取并分析数据集dataset = Planetoid(root='./input/Cora', name='Cora', transform=NormalizeFeatures())print(f'dataset: {dataset}')print(f'number of graphs: {len(dataset)}')print(f'number of features: {dataset.num_node_features}')print(f'number of classes: {dat原创 2021-06-24 01:05:53 · 480 阅读 · 0 评论 -
GraphEmbedding与消息传递范式
一、GraphEmbedding1. DeepWalkDeepWalk在无向图上采用随机游走得到一个节点序列- d: embedding维度, γ\gammaγ: 迭代次数2. LINEDeepWalk在无向图上, LINE在有向图上适用于大规模的图上, 表示节点之间的结构信息一阶: 局部的结构信息二阶: 节点的邻居, 共享邻居的节点可能是相似的一阶二阶embedding训练完成之后, 直接拼接组合成一个embedding3. Node2vec同质性: BFS原创 2021-06-19 19:47:11 · 204 阅读 · 0 评论 -
简单图论与PyG环境配置
一、简单图论图的表示图用节点表示实体(entities ),用边表示实体间的关系(relations)通过邻接矩阵来构造图在无向图中,从结点 viv_ivi 到 vjv_jvj 的边存在,意味着从结点 vjv_jvj 到 viv_ivi 的边也存在。因而无向图的邻接矩阵是对称的。在无权图中,各条边的权重被认为是等价的,即认为各条边的权重为1对于有权图,其对应的邻接矩阵通常被记为 W∈{0,1}N∗NW \in \{0, 1\}^{N * N}W∈{0,1}N∗N,其中Wi,j=wijW原创 2021-06-14 22:15:26 · 546 阅读 · 6 评论