予^-CSDN博客

原创 GAT源码维度变换详解

以下仅个人理解，请多多指正。代码地址： https://github.com/Diego999/pyGATmodels.py（部分）class GAT(nn.Module): def __init__(self, nfeat, nhid, nclass, dropout, alpha, nheads): super(GAT, self).__init__() self.dropout = dropout self.attentions = [

2021-01-29 17:31:37 1280 6

原创 Python 如何安装scipy，超级简单

Python 安装scipy由于国外网站太慢，所以这里使用的是阿里的镜像 https://mirrors.aliyun.com/pypi/simple/去官网查看，官方给出的安装方法如下：【pip安装和apt的方式两种】python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose由于我使用的是windows并且安装了pip,所以这里使用pip进行安装sudo apt-get inst

2021-01-18 13:35:24 6514 4

翻译【GCN】论文笔记：DROPEDGE: TOWARDS DEEP GRAPH CONVOLUTIONAL NETWORKS ON NODE CLASSIFICATION

加深GCN一、前言二、加深FCN方法介绍1、防止过拟合2、层级DropEdge3、防止过平滑三、总结一、前言过拟合和过平滑是开发深度图卷积网络(GCNs)进行节点分类的两个主要障碍。特别是过拟合会削弱小数据集的泛化能力，而过平滑会随着网络深度的增加将输出表示与输入特征隔离开来，从而阻碍模型训练。本文提出了一种新的、灵活的DropEdge技术来缓解这两个问题，其核心是DropEdge随机从每个训练单元的输入图中删除一定数量的边，就像一个数据增强器和一个消息传递减速器。此外，我们还从理论上证明了Drop

2021-01-17 19:34:42 632

翻译【GCN】论文笔记：Simple and Deep Graph Convolutional Networks

文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言图卷积网络(GCNs)是一种强大的用于图结构数据的深度学习方法。最近，GCNs及其后续的变种在现实世界数据集的各个应用领域显示了优越的性能。尽管它们取得了成功，但由于过度平滑的问题，目前大多数GCN模型都很肤浅。本文研究了深度图卷积网络的设计与分析问题。我们提出了GCNII，它是vanilla GCN模型的扩展，有两种简单而有效的技术:初始残差和单位映射。我们提供了理论和经验证据，这两种技术有效地缓解了过度平滑的问题。我们

2021-01-17 01:48:52 534

翻译【GCN】论文笔记：Graph Attention Networks

图注意力网络一、前言1、GAT概述1、GAT特点2、相关工作二、方法推导1、输入与输出2、计算注意系数3、加权求和4、multi-head attention三、优点总结一、前言1、GAT概述我们提出了图注意力网络(GATs)，这是一种基于图结构数据的新型神经网络体系结构，它利用隐藏的 self-attention layer 来解决基于图卷积或其近似的先前方法的缺点。通过叠加层，节点能够参与其邻居的特征，我们可以(隐式地)指定不同的权值到一个邻居的不同节点，而不需要任何类型的矩阵操作(如反演)或依

2021-01-16 17:56:19 720

翻译【GCN】论文笔记：Simplifying Graph Convolutional Networks

简化的图卷积网络一、前言1、SGC研究背景2、最终输入输出3、符号定义二、GCN1、特征传播2、特征变换和非线性过渡3、分类器三、SGC1、线性化2、逻辑回归3、谱域分析四、总结一、前言1、SGC研究背景GCNs的灵感主要来自于深度学习方法，因此可能会继承不必要的复杂性和冗余计算。在本文中，我们通过去除连续层的非线性变换和折叠权重矩阵（反复去除GCN层之间的非线性变换并将结果函数分解为单一的线性变换）来减少这一超额复杂性。我们从理论上分析得到的线性模型，并表明它对应于一个固定低通滤波器，然后是一个线

2021-01-14 01:07:19 1156

翻译【GCN】论文笔记：Attributed Graph Clustering via Adaptive Graph Convolution

基于自适应图卷积的属性图聚类前言方法介绍总结前言属性图聚类是一个具有挑战性的问题，它要求图结构和节点的联合建模属性。虽然图卷积已经被证明在整合结构和特征信息时是非常有效的，但是几乎没有研究说明如何应用它来最大化集群性能。现有的方法基本上都是使用图卷积的固定的（忽略了图的多样性）低阶的（只考虑每个节点几跳内的邻居，没有充分利用节点关系）顺序。在本文中，我们提出了一种自适应的利用高阶图卷积实现属性图聚类的图卷积方法来捕获全局簇结构，并自适应地为不同的图选择合适的顺序。我们对基准测试进行分析和大量实验数据集

2021-01-13 20:02:14 952

翻译【GCN】论文笔记：GeniePath: Graph Neural Networks with Adaptive Receptive Paths

一种自适应感知路径的GNN：GeniePath前言一、需要提前知道一些1.感受野（receptive field）2.排列不变性(permutation invariant)3.自适应路径层二、为什么要感知路径三、GeniePath1.GeniePath算法核心2.自适应路径层3. 变体：GeniePath-Lazy总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本

2021-01-12 14:53:33 627

翻译【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录GCN半监督分类一、傅里叶变换和卷积1.图的卷积2.第一代GCN3.第二代GCN4.第三代GCN二、作者的改进1.两个参数的模型2.简化：一个参数的模型总结GCN半监督分类提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、傅里叶变换和卷积1.图的卷积X为

2021-01-12 00:22:02 529 1

m0_50611867的博客