图神经网络简介

已于 2023-02-14 21:38:45 修改
阅读量103 收藏
点赞数
分类专栏： 图机器学习 文章标签： 深度学习 人工智能
于 2023-02-14 21:37:43 首次发布
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/m0_56352299/article/details/129034023
版权
本文介绍了图神经网络的基本概念，包括其与其他机器学习模型的区别，面临的难点，以及在不同任务中的应用。图神经网络能处理节点间有联系的数据，其优势在于自动学习特征，减少了对人工特征工程的依赖。文章还概述了图神经网络的多种方法和技术，如图卷积网络、图自注意力网络等，并提到了它们在节点分类、边预测、社群检测及整个图层面预测等任务中的应用。
摘要由CSDN通过智能技术生成

图神经网络简介

1.1，图神经网络与其他的区别

  • 传统机器学习
    传统机器学习需要样本之间是独立同分布的，而图是节点连接而成的，代表着节点之间是有关联的
  • 卷积神经网络（像素矩阵数据）
  • RNN和transformer（序列数据）

1.2，图神经网络的难点

  • 任意尺寸的输入和复杂的结构
  • 没有固定的顺序和参考的锚点
  • 动态变化的、有时候有多模态特征

1.3，图神经网络

input是一个graph
output可以是：node labels（节点的类别）、New links（某两个节点的新连接）、Genrated graphs and subgraphs（产生新的图或者新的子图）

此过程的优点：可以自动实现一个自动学习特征的过程（类似CNN），不需要人工的特征工程（representation learning）

补充：什么叫representation learning（表示学习）
表示学习可以将一个文本或者图像等映射成一个D维向量，该向量能够包含原来的语义信息图神经网络可以把一个节点映射成一个向量（node embedding（图嵌入）也叫作表示学习）

1.4，outlines of graph

  • Traditional
最低0.47元/天 解锁文章
ss5k
关注
专栏目录
图神经网络（GNN）
qq_45856698的博客
03-13 3878
近年来，图神经网络（GNN）领域取得了快速和难以置信的进展，图神经网络又被称为图深度学习、图表示学习，已经成为机器学习特别是深度学习领域发展最快的研究课题之一。
北邮教授石川：图神经网络需要解决的几个关键问题
喜欢打酱油的老鸟
04-26 2705
2020年3月29日，中国中文信息学会·社会媒体处理专委会和北京智源人工智能研究院联合主办的“图神经网络在线研讨会2020”成功召开，超过5000人报名参加本次活动。会上，四位国内学者对图表示学习和图神经网络的最新理论进展和应用探索进行了介绍，题目分别是： 《图卷积神经网络》 中国中文信息学会·社会媒体处理专委会副主任、中科院计算所研究员沈华伟 《图神经网络 (GNN) 及认知推理》 智源研究...
神经网络中的难点及解决方案
Suan2014的博客
08-15 6438
1 神经网络的难点 使用层数较深的神经网络会遇到许多困难，比如：容易过拟合、参数难以调试、梯度弥漫等，针对这些问题有很多trick解决。 2 过拟合 过拟合是机器学习中经常遇到的问题，它是指模型预测准确率在训练集上升高，但是在测试集上反而下降了，这意味着泛化性不好，模型只是记忆了当前数据的特征，不具备推广能力。 Hinton教授团队提出了一个思路简单但非常有效的方法：Dropout。其思路
图神经网络（Graph neural networks）综述
m0_38031488的博客
03-12 5万+
论文链接：Graph Neural Networks:A Review of Methods and Applications Abstract：图（Graph）数据包含着十分丰富的关系型信息。从文本、图像这些非结构化数据中进行推理学习，例如句子的依赖树、图像的场景图等，都需要图推理模型。图网络（Graph neural networks）是一种链接主义模型，它靠图中节点之间的信息传递来捕捉图...
图机器学习（十五）图神经网络的局限
linjingyg的博客
02-11 1419
　　 　　输出：节点嵌入。 我们还可以嵌入更大的网络结构，子图，图形。 　　关键思路：基于本地网络邻居生成节点嵌入 　　 　　直觉：节点使用神经网络聚合来自邻居的信息 　　 　　已经提出了具有神经网络差异选择的许多模型变体。 　　 　　 　　 　　直觉：网络邻居定义了一个计算图 　　每个节点都基于其邻域定义一个计算图！ 　　 　　通过邻居聚合获得节点表示 　　 　　过池化节点表示来获取图形表示 　　 　　图神经网络在以下方面实现了..
图神经网络简介，什么是图神经网络，GNN
一起躺躺躺的博客
05-13 3万+
distill博客：A Gentle Introduction to Graph Neural Networks (distill.pub) 什么是图？ 图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。 怎么表示一张图，可以参考下面这个例子 每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的.
图神经网络的介绍
m0_49549614的博客
07-16 2417
近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。 图神经网络有很多比较好的综述[1][2][3]可以参考，更多的论文可以参考清华大学整理的GNN paper list[4] 。 本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GA
PyTorch Geometric：图神经网络的革命者
07-19
图数据与图神经网络简介 在介绍PyTorch Geometric之前，我们首先简要回顾一下图数据及其应用场景，以及图神经网络的基本概念。 - **图数据**: 图是由节点（顶点）和边组成的非线性数据结构。每个节点代表实体，而...
图神经网络在推荐领域,图神经网络的优势
shirley67269的博客
08-19 2064
接下来就要进行仿真预测了t_1=sim(net,p)，net就是你建立的那个网络，p是输入数据，由于网络的权值已经确定了，我们这时候就不需要知道t的值了，也就是说不需要知道他是苹果还是橘子了，而t_1就是网络预测的数据，它可能是1或者是2，也有可能是1.3，2.2之类的数（绝大部分都是这种数），那么你就看这个数十接近1还是2了，如果是1.5，我们就认为他是苹果和橘子的杂交，呵呵，开玩笑的，遇到x=2.5，我一般都是舍弃的，表示未知。总的来说是一个技术性大于理论性的学科，靠的是动手。
图学习图神经网络算法专栏简介：含图算法（图游走模型、图神经网络算法等）原理+项目+代码实现+比赛
丨汀、的博客
04-07 1158
本人后续会持续整合ML、DRL、NLP等相关领域的体系化项目课程，方便入门同学快速掌握相关知识，后续会不断增添实战环节（比赛、论文、现实应用等）。这三块领域耦合情况比较大，后续会通过比如：搜索推荐系统整个项目进行耦合，各项算法都会耦合在其中。举例：知识图谱就会用到（图算法、NLP、ML相关算法），搜索推荐系统（除了该领域召回粗排精排重排混排等算法外，还有强化学习、知识图谱等耦合在其中），后续会持续实现。
图神经网络系列-知识图谱Neo4j-图神经网络案例实战-数据集简介
段智华的博客
04-08 1592
图神经网络系列-知识图谱Neo4j-图神经网络案例实战 目录 案例节点数据人物债券类型公司分红违规类型行业案例关系数据公司-担保公司-分红公司-供应商公司-行业公司-客户公司-人物公司-失信公司-违规公司-债券代码github 案例节点数据 人物 personname,personcode 王光明,20503347 赵春园,20503365 周岳军,20503351 沈表,20503383 王玉文,20503387 陈宝根,20472268 王清,20704989 王宁,20728602 叶盼盼,20728
为什么深层神经网络难以训练_图神经网络越深，表现就一定越好吗？
weixin_39833454的博客
11-23 1149
编译 | 陈彩娴编辑 | 丛 末数十层甚至数百层神经网络的应用，是深度学习的重要标志之一。但现实情况却远非如此：比如今年被视作机器学习领域最火热的研究方向之一——图神经网络，大多数都只运用了寥寥几层网络。一般思路里，我们会认为图神经网络越深，效果就会越好。然而，日前帝国理工学院教授Michael Bronstein 发出了灵魂拷问：图神经网络的深度，真的会带来优势吗？“深度图神经网络”是否被误用了...
几种图神经网络方法总结（Graph Neural Network）
热门推荐
图灵是我
03-08 7万+
概要 今年来图神经网络受到大家越来越多的关注，在文本分类(Text classification)，序列标注（Sequence labeling）, 神经机器翻译（Neural machine translation）,关系抽取（Relation extraction），事件抽取（Event extraction）, 图像分类（Image Classification），视觉推理（Visual R...
Pytorch学习--DataLoader的使用
weixin_68930974的博客
10-24 1130
Pytorch学习--DataLoader的使用
长短期记忆网络（LSTM）详解
m0_73640344的博客
10-26 1481
和问题。LSTM通过引入独特的和，能够捕捉长时间跨度的依赖关系，成为自然语言处理、语音识别、时间序列预测等任务中的核心模型。以下将详细说明LSTM的结构、运作原理、门控机制及其相对于传统RNN的优势。
基于 GADF+Swin-CNN-GAM 的高创新扰动信号识别模型！
最新发布
10-30 455
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的电能质量扰动信号识别模型!
深度学习（六）CNN：图像处理的强大工具（6/10）
小相探索IT世界
10-27 1415
卷积神经网络（Convolutional Neural Networks，CNN）是深度学习的代表算法之一，在深度学习中占据着重要地位。CNN 的发展历程可追溯至 20 世纪 80 至 90 年代，时间延迟网络和 LeNet - 5 是最早出现的卷积神经网络。随着深度学习理论的提出和数值计算设备的改进，CNN 在 21 世纪后得到了快速发展，并被广泛应用于计算机视觉、自然语言处理等领域。CNN 的结构组成主要包括输入层、卷积层、池化层、全连接层和 Softmax 层等。
深度学习：梯度下降算法简介
m0_73640344的博客
10-29 966
在深度学习的训练过程中，梯度下降算法（Gradient Descent，简称GD）扮演着至关重要的角色。这一算法的核心机制是利用数据集的梯度信息来迭代更新模型参数，以最小化损失函数。接下来，我们将详细讨论其各种变体和进化。1. 随机梯度下降（SGD）由于全批量的梯度下降在面对大规模数据集时会受到内存限制和迭代速度的制约，学者们提出了随机梯度下降（Stochastic Gradient Descent，SGD）。这种方法每次迭代仅使用数据集中的一个小批量样本来计算梯度和更新参数。
图神经网络预测交通流量
08-30
- *1* *2* *3* [图神经网络简介及其在交通流预测中的应用](https://blog.csdn.net/SmartLab307/article/details/121052884)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source...
评论 1
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