Graph Convolution Network

最新推荐文章于 2024-10-06 23:55:17 发布

爆破弹

最新推荐文章于 2024-10-06 23:55:17 发布

阅读量83

点赞数 3

文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/m0_57301592/article/details/137058527

版权

卷积神经网络的输入是图片等具有欧几里得结构的图结构

欧式空间里面利用卷积核来提取特征

图片是比较规则的图结构，使用卷积核就可以平移提取节点特征

遇到拓扑网络或者社交网络的图结构不整齐

网络包含不同数量的节点，不同的节点也包含不同的邻居，传统的CNN无法作用

GCN能够聚合node附近的node特征

通过加权聚合学习到node的特征从而去做一系列的预测任务

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

爆破弹

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

nuist_Jiang的博客

10-24

2074

from Xiangnan He , University of Science and Technology of China, published in SIGIR‘20， July 25-30,Virtual Event, China. 研究背景 GCN（图卷积网络）成为协同过滤的最新技术，但是推荐的有效性原因不明确，现有工作缺乏对GCN的彻底的消融分析。GCN中最常见的两个设计-特征转换和非线性激活-对协作过滤的性能几乎没有贡献。更糟糕的是，包括它们会增加培训的难度并降低推荐性能。 GCN具体是做什

Linkage Based Face Clustering via Graph Convolution Network

sinat_42239797的博客

03-23

938

论文：https://arxiv.org/pdf/1903.11306v3.pdf 代码：https://github.com/Zhongdao/gcn_clustering/ 年份：2019-CVPR 有关图卷积的，可以参考：https://www.cnblogs.com/SivilTaram/p/graph_neural_network_2.html 文章目录1.研究背景介绍2.方法2.1 问...

参与评论您还未登录，请先登录后发表或查看评论

论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

KPer_Yang的博客

02-08

626

论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

[论文精读]Hi-GCN: A hierarchical graph convolution network for graph embedding learning of brain network

Sherlily的博客

12-06

1664

计算机-人工智能-脑科学与类脑智能

Linkage Based Face Clustering via Graph Convolution Network阅读与总结

ziqingnian的博客

05-17

635

Linkage Based Face Clustering via Graph Convolution Network 作者：发表会议：CVPR2019 作者单位：清华大学、澳大利亚国立大学目的：根据潜在的身份将face分组，将任务看成一个链接预测问题：当两个face具有同样的身份，两个face之间存在一个链接。(仅仅链接预测达不到聚类的效果，还需要进行链接合并) 关键思想是我们在face实例周围的特征空间（将face映射到特征空间中，相似的face会靠近）中找到蕴含丰富信息的local co

论文题目：Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting

@dongyu的博客

09-03

1500

今日论文：Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting

LightGCN：Simplifying and Powering Graph Convolution Network for Recommendation【论文精读】

weixin_46351593的博客

11-08

1267

NCF全称：Neural Collaborative Filtering。当时（2017年），深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大成功。然而，深度神经网络在推荐系统上的探索相对较少。在这项工作中，作者开发基于神经网络的技术来解决推荐中的关键问题——基于隐式反馈的协同过滤。通过将内积（传统MF）替换为可以从数据中学习任意函数的神经架构，作者提出了一个通用框架NCF，称基于神经网络的协同过滤。NGCF全称：NeuralGraph用户和项目的学习向量表示（即Embedding。

论文翻译 SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction 用于行人轨迹预测的稀疏图卷积网络

Sun_ZD的博客

12-06

6447

SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction 用于行人轨迹预测的稀疏图卷积网络行人轨迹预测是自动驾驶中的一项关键技术，但由于行人之间复杂的相互作用，该技术仍具有很大的挑战性。然而，以往基于密集无向交互的研究存在建模冗余交互和忽略轨迹运动趋势等问题，不可避免地与实际存在较大偏差。针对这些问题，我们提出了一种用于行人轨迹预测的稀疏图卷积网络(SGCN)。具体来说， SGCN明确地使用稀疏有向空间图对

[论链]ST-MGCN. Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting

panbaoran913的博客

06-11

803

论文链接，见这里作者：Xu Geng, Yaguang Li, Leye Wang, Lingyu Zhang, Qiang Yang, Jieping Ye, Yan Liu 期刊：The Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19)；2019年关键字： MGCN,网约车区域需求预测是网约车服务的一项基本任务。准确预测网约车需求，可以指导车辆调度，提高车辆利用率，减少等待时间，缓解交通拥堵。由于区域间复杂的时空依赖性

GCN：Graph Convolution Network，图卷积网络，PPT资源

07-10

图卷积网络（GCN，Graph Convolution Network）是一种基于深度学习的模型，它扩展了传统的卷积神经网络（CNN）的应用，使得处理非欧几里得数据，特别是图结构数据成为可能。GCN的核心思想是在图上进行卷积操作，以...

深度学习：DCGAN

Landy_Jay的博客

10-01

530

CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。

深度学习-----------------机器翻译与数据集

Einstein·Jun

10-03

450

绘制每个文本序列所包含的标记数量的直方图。

国创——基于分离表示的人脸图像生成技术

2301_80073593的博客

10-01

1038

根据用户的个性化需求，对分离得到的形状和纹理表示进行调整。- 在DFGA框架的几何形状生成模块中，根据输入数据（可能是经过预处理的图像特征等），使用特定的算法或模型生成人脸的几何形状。- 分离表示旨在将人脸图像分解为不同的组件，如几何形状（面部结构）、皮肤纹理（颜色、细节等）等表示形式。- 将生成的几何形状和皮肤纹理进行融合，得到最终的个性化人脸图像或者视频帧（如果是从视频序列输入）。- 定义DFGA框架中的各个模块，如数据加载模块、几何形状生成模块、皮肤纹理生成模块、融合模块等。

【大模型理论篇】精简循环序列模型(minGRU/minLSTM)性能堪比Transformer以及对循环神经网络的回顾

最新发布

源泉的小广场

10-06

513

RNN、精简RNN、minLSTM、minGRU、Transformer 、序列长度、并行化循环序列模型、 S4、Mamba 、Aaren、循环神经网络精简、大模型、计算加速，梯度弥散、BPTT、时间独立

基于深度学习的视频摘要生成

weixin_42605076的博客

10-03

511

信息过载：随着视频内容的爆炸性增长，用户很难有效地消费大量视频，视频摘要可以帮助快速浏览重要内容。多场景应用：视频摘要可用于社交媒体、视频检索、监控分析、教育视频浓缩等领域。结合音频与字幕：多模态方法可以同时分析视频、音频、字幕等多种信号，提升摘要生成的准确性和丰富性。视觉和语义信息结合：通过结合视觉内容与语义信息（如字幕或语音转录），模型可以生成更具语义理解的摘要。

基于Python的自然语言处理系列（19）：基于LSTM的语言模型实现

不想宅的冷同学

09-29

919

在本篇博文中，我们实现了一个基于LSTM的语言模型，探讨了其在自然语言处理中的重要性。通过对WikiText数据集的训练，我们了解了如何进行数据预处理、模型构建以及训练与评估过程。这一模型为理解语言生成打下了基础，也展示了如何使用PyTorch进行实际应用。随着对LSTM语言模型的深入理解，我们将在下一篇博文中转向更先进的Transformer模型及其在语言建模中的应用，期待与大家一同探讨Transformer如何提升自然语言处理的能力，并掌握束搜索等高效解码技术。希望继续激发大家对这一领域的热情与探索！

YOLO11改进|注意力机制篇|引入MLCA轻量级注意力机制

A1983Z的博客

10-01

1482

YOLO11中添加MLCA轻量级注意力机制

深度学习在计算机视觉中的应用

09-30

1296

深度学习的兴起标志着计算机视觉领域的革命，尤其是在图像识别、物体检测、图像分割等任务中，深度学习展现了无与伦比的性能。通过不断的研究与实践，深度学习推动计算机视觉技术在更多领域的应用，为我们的生活带来了深远的影响。在自然图像分类任务中，EfficientNet的应用使得多种图像分类模型的准确率显著提高，尤其在ImageNet数据集上，提升了分类准确率并减少了模型参数。在城市交通监控中，Mask R-CNN被用来识别和分割交通标志及车辆，提供精准的道路信息，增强了交通管理的智能化水平。

Dual graph convolutional network

05-18

Dual Graph Convolutional Network (DGCN) is a type of neural network designed to work with graph data. It uses two types of graphs - the primal graph and the dual graph - to represent the input data. ...