论文笔记：GGNN (门控图神经网络)

最新推荐文章于 2024-09-10 13:23:41 发布
置顶 最新推荐文章于 2024-09-10 13:23:41 发布
阅读量3w 收藏 102
点赞数 17
分类专栏： 机器学习 文章标签： GGNN
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/lthirdonel/article/details/89286522
版权

基本概念
GGNN是一种基于GRU的经典的空间域message passing的模型

问题描述
一个图 G = (V, E)， 节点v ∈ V中存储D维向量，边e ∈ E中存储D × D维矩阵， 目的是构建网络GGNN。
实现每一次参数更新时，每个节点既接受相邻节点的信息，又向相邻节点发送信息。

主要贡献

基于GRU提出了GGNN，利用RNN类似原理实现了信息在graph中的传递。
在这里插入图片描述
传播模型
在这里插入图片描述
在这里插入图片描述
输出模型
在这里插入图片描述
来源论文
Gated Graph Sequence Neural Networks，ICLR 2016
链接：https://arxiv.org/abs/1511.05493
官方实现（Lua）：https://github.com/yujiali/ggnn
第三方实现（pytorch）：https://github.com/calebmah/ggnn.pytorch
GRU概念详见：https://blog.csdn.net/lthirdonel/article/details/88945257

Smarticle
关注
专栏目录
GGNN(Gated Graph Sequence Neural Networks)
BUPT-WT的博客
02-10 6239
GGNN研究意义: 1、提升在图结构中长期的信息传播 2、消息传播中使用GRU，使用固定数量的步骤T，递归循环得到节点表征 3、边的类型，方向敏感的神经网络参数设计 4、多类应用问题，展示了图神经网络更多的应用以及强大的表征能力 本文主要结构如下所示: 一、Abstract 本文提出使用GRU来更新图的节点信息，在一些数据任务上验证了模型的有效性 二、Introduction 对图神经网络进行扩展，解决序列输出任务，提出GGS-NNS模型 三、...
Introduction to Graph Neural Network (GNN) 图神经网络入门详解
Jay_Tang的博客
08-17 3705
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
GNN图神经网络简单理解
最新发布
qq_44935334的博客
09-10 3878
图：表示一些实体之间的关系顶点（研究的对象）：顶点信息、邻点数目等边（两个对象之间特定的关系）：边信息、边权重等全局信息：节点个数、最长路径等顶点：用向量表示边：用向量表示全局信息：用向量表示时域中的卷积运算等价于频域中的乘法运算图像是一种特殊的图数据从网络连接方式来看，二者都是局部连接（大大减少了单层网络的计算复杂度）二者卷积核的权重是处处共享的（有效地避免过拟合现象的出现）从模型的层面来看，感受域随着卷积层的增加而增加。
门控图神经网络（GGNN）及代码分析
热门推荐
Orangetc的博客
04-22 1万+
门控图神经网络GGNN及代码分析 基本概念 GGNN是一种基于GRU的经典的空间域message passing的模型 问题描述 一个图 G = (V, E)， 节点v ∈ V中存储D维向量，边e ∈ E中存储D × D维矩阵， 目的是构建网络GGNN。 实现每一次参数更新时，每个节点既接受相邻节点的信息，又向相邻节点发送信息。 主要贡献 基于GRU提出了GGNN，利用RNN类似原理实现了信息在graph中的传递。 传播模型 输出模型 来源论文 Gated Graph Sequence Neural
门控图序列神经网络
酒柜担保人的博客
03-28 1155
论文：Li, Yujia, etal. Gated Graph Sequence Neural Networks[J]. Computer Science, 2015. Contribution Our main contribution is an extension of Graph Neural Networks that outputs sequences.(扩展了输出序列的图神经网络...
【论文精读】门控图神经网络GGNN及SRGNN
_Mogician的博客
05-30 1万+
GGNN SRGNN是GGNN在推荐系统上的应用，核心网络几乎没有改变。GGNN的核心模型其实非常简单，在计算上和GRU基本没有区别。但为了更好的理解ava_vav​是如何构造出来的，我们还得从最基本的思想讲起。 信息传播 绝大多数GNN的思想在于消息传播(Message Passing)或者说信念传播(Belief Propagation)。很自然的，我们知道一个节点的信息可以根据其邻居节点信息进行更新。 初代GNN 2009年最早的GNN论文1将这个过程抽象为 xn=fw(ln,lco[n],xne
门控图神经网络及PyTorch实现
weixin_43714954的博客
08-30 8073
门控图神经网络及PyTorch实现前言GNN预备知识面对一大串公式不得不说的定理巴拿赫不动点定理GNN信息传播特点——可达性任务展示具体实现隐藏状态的计算GNN网络框架算法Forward and Backward从GNN到GGNNGNN的局限GGNN的改变门控图神经网络SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图...
GGNN：GATED GRAPH SEQUENCE NEURAL NETWORKS
ResumeProject的博客
02-24 2104
论文 GGNN A∈RD∣V∣×2D∣V∣A ∈ R^{D|V|×2D|V|}A∈RD∣V∣×2D∣V∣ Av:∈RD∣V∣×2D：v在A对应的两列A_{v:} ∈ R^{D|V|×2D}：v在A对应的两列Av:​∈RD∣V∣×2D：v在A对应的两列 av(t)∈R2Da^{(t)}_v ∈ R^{2D}av(t)​∈R2D包含从两个方向的边激活 等式1是隐藏节点的表示。等式2是通过输入和输出边在图的不同节点之间传递信息的步骤，参数取决于边的类型和方向。等式1是隐藏节点的表示。\\ 等式2是通过输
GGNN和GCN的几篇论文笔记
03-10
GGNN和GCN的几篇论文笔记，介绍常用的两种图神经网络。个人笔记。
GGNN与GCN图神经网络理解及应用解析
"这篇文档包含了对GGNN (Graph Grammar Networks) 和GCN (Graph Convolutional Networks) 的论文笔记，作者分享了对这两种图神经网络的理解和个人见解。笔记主要分为两个部分，第一部分介绍了GGNN的基本应用，第二...
GNN-图卷积模型-2015：GGNN【消息传递（前向传播）：聚合函数+更新函数】【更新函数：GRU】【训练更新函数的参数】
u013250861的博客
08-15 2092
图神经网络(GNN)：GGNN【门控图神经网络】
ggnn.tensorflow:选通图神经网络的Tensorflow实现用于源代码分类-tensorflow source code
03-24
门控图神经网络（GGNN）的Tensorflow实现，用于源代码分类 这是门控图神经网络（GGNN）的Tensorflow实现，如Y. Li，D.Tarlow，M.Brockschmidt和R.Zemel在论文《 ）中所述。 缩短培训时间并加快收敛速度​​的技巧： 存储桶：将具有相似大小的批处理图放在一起，而不是随机混洗和批处理。 对于小图，请使用密集图表示；对于大图，请使用稀疏图表示。 我们根据的论文的详细信息，将文件解析为图形表示形式。 有关为方法名称预测实现的版本，请参阅此存储库： : 什么是GGNN？ 解决图结构化数据和问题 门控传播模型（与GRU相同的想法），用于计算节点表示形式 展开固定步骤的重复周期，并在整个时间范围内使用反向传播 任务 代码分类 排序算法（SA数据集）：从Github收集的10个排序问题，包括：插入排序，合并排序，拓扑排序，堆排序，冒泡排序，
图神经网络（GNNs）综述
weixin_43751558的博客
11-24 4951
图神经网络（graph neural networks， GNNs）是为了解决传统机器学习只能处理欧几里得空间的数据的问题而产生的用于图（gragh)数据的神经网络。目前现有的GNN可分为四类：递归GNN，卷积GNN，图自动编码器和时空GNN。 一、简介 1. 分类 （1）递归GNN（Recurrent Graph Neural Networks）：递归GNN属于最早的GNN，旨在通过递归神经体系结构学习节点表示。 他们假设图中的一个节点不断与其邻居交换信息或消息，直到达到稳定的平衡。 （2）卷积GNN（C
【ICLR 2018图神经网络论文解读】Graph Attention Networks (GAT) 图注意力模型
捡起一束光的博客
11-06 5020
与GCN类似，GAT同样是一种局部网络。因此，训练GAT模型无需了解整个图结构，只需知道每个节点的邻节点即可。
GATED GRAPH NEURAL NETWORKS（GGNN）
qq_45312141的博客
06-05 2945
这里写目录标题GG-NNGGS-NNs GG-NN GGNN网络使用了GRU（Gate Recurrent Units），在固定的 T 时间步中展开RNN，并使用BPTT算法（Back Propagation Through Time）以计算梯度。 补充： GGNN并不能保证图的最终状态会到达不动点。由于更新次数 T 变成了固定值，因此GGNN可以直接使用BPTT算法来进行梯度的计算。相比于一般的GNN使用Almeida-Pineda算法需要更多的内存，但是不需要约束参数以满足压缩映射（contractio
ggnn 初步理解
Talk Is Cheap
09-18 4551
看代码的话可以看懂第一次过RNN， 但要看这图才感受到后续过RNN的情况。
图神经网络
kyle1314608的博客
08-05 304
参考文献 [1]. A Comprehensive Survey on Graph Neural Networks, arxiv.org/abs/1901.0059 [2]. The graph neural network model, persagen.com/files/misc [3]. Spectral networks and locally connected networks on graphs, arxiv.org/abs/1312.6203 [4]. Distributed Repre.
评论 6
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