图神经网络综述和学习路径

最新推荐文章于 2024-11-12 10:07:54 发布
最新推荐文章于 2024-11-12 10:07:54 发布
阅读量471 收藏 1
点赞数 8
文章标签： 神经网络 机器学习
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_57715084/article/details/138444995
版权
本文探讨了图神经网络在应用中的角色，包括节点、连接和子图等概念的区别。它解决了表示学习问题，但面临如何将图数据适配到现代深度学习模型的挑战。文章还涉及数学表示，如邻接矩阵的使用，以及是否可以直接借鉴传统神经网络结构。最后，提供了学习路径和相关书籍推荐作为深入研究的指引。
摘要由CSDN通过智能技术生成

应用邻域

应用举例

应用层面（节点，连接，子图，全图）

概念区别

图神经网络本质上解决了表示学习的问题

可以把神经网络看作一个黑箱，图中的f函数

困难与挑战

现代的深度学习，如何把图输入到神经网络中

数学表示

图的矩阵表示

能否直接将邻接矩阵输入神经网络中？

能否参考已有的神经网络结构？

消息传递

学习路径

书籍推荐

目录即学习路径

Famiglistimo-run
关注
图神经网络怎么入门？一文带你了解图神经网络入门路径-GNN入门
gu1857035894的博客
08-02 645
不同于声学，图像，自然语言处理这些方向，深度学习可以很好的提取这些数据中的底层数据的复杂模式，对于现实世界而言，现实生活中普遍存在的关系具有非常复杂的结构，例如社交网络，电商网络，生物网络和交通网络。每个节点都有不同数量的相同节点，彼此之间存在依赖关系，导致一些在声学，图像上的重要操作(例如卷积)不再适合直接用于图。免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。...
图像分类神经网络综述
张小殊的博客
11-28 1万+
长期以来，计算机视觉一直是人工智能研究的关键领域之一。早期的图像处理方法通常基于手工设计的特征提取器，这在处理复杂任务时面临一些限制，随着深度学习的崛起，特别是深度神经网络的发展，计算机视觉领域发生了革命性的变化。深度学习的优势在于其能够学习从原始数据中提取有用特征的能力，而无需手动设计特征提取器，本文主要介绍在深度学习发展史中用于图像分类任务的经典神经网络。
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 11万+
从数据结构到算法：图网络方法初探 论文《Graph Neural Networks: A Review of Methods and Applications》 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session 文章目录图神经网络（Graph Neural Networks，GNN）1. GNN起源1.1 动..
可信赖图神经网络综述！图的因果学习！
2401_85373396的博客
06-19 781
本文综述了图神经网络（GNN）在图挖掘应用中的最新进展，并强调了其在低维表示中保留丰富知识的能力。然而，GNN在可靠性方面存在挑战，包括OOD泛化能力、公平性和可解释性。为了解决这些问题，研究人员开始将因果学习纳入可信赖图神经网络（TGNN）的开发中。**本文从因果角度分析了GNN的可靠性风险，并介绍了六组技术以深入了解潜在的因果机制并实现可靠性。
图神经网络（一）：综述
u013010473的博客
08-04 6526
图神经网咯综述
图神经网络综述
褚骏逸的学习之路
05-28 2101
1.为什么出现图神经网络GNN？ 近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构：图神经网络（Graph Neural Networks，GNN）  传统的深度学习方法在提取欧氏空间数据（如Image） 的特征方面取得了巨大的成功，但在处理非欧式空间数据（如Graph） 上的表现却仍难以使人满意。许多实际应用场景中的数据是从非欧式空间生成的，如推荐系统中的图。  图是不规则的，每
【综述专栏】图神经网络综述
人工智能学家
03-13 2756
来源：图灵人工智能作者：王健宗等https://wwwihcm/people/euu-lin-jun-7原文链接：https://kns.cnki.net/kcms/detail/31.1...
1_图神经网络GNN基础知识学习
Waldocsdn的博客
09-17 1635
图神经网络GNN理论学习和实践
面向图神经网络的对抗攻击与防御综述.docx
05-28
### 面向图神经网络的对抗攻击与防御综述 #### 1. 引言 随着人工智能领域的迅速发展，深度学习技术已经在诸多领域取得了显著成就，包括但不限于自然语言处理、图像识别、信号处理和物体识别等。图数据作为一种特殊...
【图神经网络】图分类学习研究综述[2]：基于图神经网络的图分类
小哲的博客
06-21 1791
基于GNN的图分类学习研究综述[2]：基于图神经网络的图分类论文阅读：基于GNN的图分类学习研究综述3. 基于图神经网络的图分类3.1 卷积 论文阅读：基于GNN的图分类学习研究综述 摘要：本文首先给出图分类问题的定义和该领域的挑战；然后梳理分析了两类图分类方法——基于图相似度计算的图分类方法和基于图神经网络的图分类方法；接着给出了图分类方法的评价指标、常用数据集和实验结果对比；最后介绍了图分类常见的实际应用场景，展望了图分类领域的未来研究方向并对全文进行总结。 关键词：图分类、图核、图卷积；图池化；图神
【图神经网络】图分类学习研究综述[1]：图分类问题定义与基于图相似度的图分类
小哲的博客
04-10 2180
基于GNN的图分类学习研究综述论文阅读：基于GNN的图分类学习研究综述1. 图分类问题定义及挑战1.1 图分类问题与符号定义1.2 图分类中的问题与挑战2. 基于图相似度计算的图分类2.1 基于图核的图分类 论文阅读：基于GNN的图分类学习研究综述 摘要：本文首先给出图分类问题的定义和该领域的挑战；然后梳理分析了两类图分类方法——基于图相似度计算的图分类方法和基于图神经网络的图分类方法；接着给出了图分类方法的评价指标、常用数据集和实验结果对比；最后介绍了图分类常见的实际应用场景，展望了图分类领域的未来研究
Pytorch学习--神经网络--利用GPU训练
最新发布
weixin_68930974的博客
11-12 475
Pytorch学习--神经网络--利用GPU训练的两种方法
从0开始机器学习--Day16--神经网络作业
Chef_Chen的博客
11-05 475
总结：在构建多元分类的模型中，方法就是将其转化为二元分类，再做循环计算，这样每次只需要将本身看做为0或1即可，注意其每次循环时要取概率最高的那次才有意义。用神经网络时，其结果有点过于理想了，怀疑是出现了过拟合现象。题目：构建逻辑回归模型来识别数字0-9。
机器学习—神经网络的Softmax输出
yn3535_的博客
11-11 425
对于SoftMax层或SoftMax激活函数，在一个方面不同，与我们目前看到的其他激活函数相比，像Z状结肠，Relu和线性，当我们观察Z状结肠或Relu或线性激活函数时，a1只是z1的函数，换句话说，获取激活值，我们可以应用激活函数，不管是Z状结肠还是其他什么，但是有了Softmax激活功能，注意。稀疏范畴指的是把y分类，它的值从1到10，稀疏指的是y只能取这十个值中的一个，所以每个图像要么是零，要么是1，要么是2，最多到9，你不会看到照片的，同样是数字2和数字7，
机器学习系列----岭回归（Ridge Regression）简介及实现
DK22151的博客
11-09 962
岭回归（Ridge Regression），也被称为Tikhonov正则化，是一种线性回归的变体。它通过在普通最小二乘法（OLS）回归中加入L2正则化项来解决多重共线性问题，从而提高模型的泛化能力和鲁棒性。岭回归的核心思想是通过惩罚模型的参数，使得它们保持较小的值，从而减少过拟合的风险。岭回归适用于当特征之间高度相关时（即多重共线性问题），普通的线性回归模型可能会变得不稳定，并且模型的系数可能会变得非常大。岭回归通过加上一个正则化项，约束了模型参数的大小，从而使得模型更加稳健。
机器学习—Softmax
yn3535_的博客
11-09 429
它以为y=2，以此类推，如果y=j，那么损失函数loss=-log aj ，aj的负对数是一条曲线，如果aj非常接近1，那么会在曲线的右边，而且损失会很小，但如果aj只有50%的机会，就是就大了一点，aj越小损失越大，因此尽可能使aj大，尽可能接近损失小，注意，在这个损失函数中，每一个训练示例只能接收一个值，所以你最终计算出一个aj的负对数，只对aj的值，在那个特定的训练例子中，y=1的实际值是多少。Softmax回归算法是Logistic回归的推广，它是一种针对多类分类上下文的。
【机器学习】数学知识：对数
IT古董
11-12 478
对数是数学中一种重要的运算，它与指数密切相关。对数的主要功能是将乘法和除法转换为加法和减法，从而简化复杂的计算。以下是对数的基本概念、性质和应用。
评论
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