GCN(图卷积神经网络)

最新推荐文章于 2024-10-06 10:16:55 发布
最新推荐文章于 2024-10-06 10:16:55 发布
阅读量60 收藏
点赞数
分类专栏： 图神经网络 文章标签： 神经网络
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_60853191/article/details/134692572
版权

GCN的基本思想：在GCN当中，每个节点的新表示(embedding)是通过聚合其邻居节点的特征信息得到的。这个过程中模仿了CNN中的卷积操作，但是适应了图的不规则结构。在图中，节点可能有不同数量的邻居，并且图结构本身是不规则的。   

本身和卷积运算没有一点关系，相当于是个传染的过程使用的是抽象的机制，通过多次的图卷积让节点具有全局的特征。(个人观点)

GCN特征计算的方法：将邻接矩阵和特征矩阵进行一个乘法的操作，表示聚合邻居的信息

\begin{bmatrix} & A & B & C & D & E \\ A& 0 & 0 & 0 & 0 & 1\\ B& 0&0 & 0 & 1 & 1\\ C& 0 & 0 & 0 & 1 & 1\\ D& 0 & 1 & 1 & 0 & 1\\ E& 1& 1 & 1 & 1 &0 \end{bmatrix} \begin{bmatrix} A & -1.1 & 3.2 & 4.2\\ B & 0.4& 5.1 &-1.2 \\ C & 1.2& 1.3 & 2.1\\ D & 1.4 & -1.2 & 2.5\\ E & 1.4 & 2.5 &4.5 \end{bmatrix}=\begin{bmatrix} 1.4& 2.5 & 4.5\\ & & \\ & & \\ & & \\ & & \end{bmatrix}

邻接矩阵(考虑了邻居节点但是没有考虑本身)新的邻接矩阵如下图

最后既要将列进行归一化，也要将行进行归一化。

以上是图神经网络的基本思路以及运算方法

Coding TPG
关注
专栏目录
GCN图卷积神经网络
weixin_37443412的博客
02-26 643
图卷积网络（Graph Convolutional Networks，GCN）是一种基于图结构数据进行深度学习的方法。GCN 可以在图上进行节点分类、图分类、链接预测、图生成等任务，是当前图神经网络领域中非常重要的一种模型。
【深度学习】GCN 图卷积神经网络
Lion__D的博客
12-09 540
原文来自。
GCN图卷积神经网络综述
m0_47645778的博客
05-13 1万+
文章目录一、GNN简史二、GCN的常用方法及分类2.1 基于频域的方法2.2 基于空间域的方法2.3频域是一种特殊的空间域方法三、 GCN常用的基准数据集四、GCN的主要应用五、GCN的开源库六、对于GCN的未来发展方向 一、GNN简史 二、GCN的常用方法及分类 2.1 基于频域的方法 2.2 基于空间域的方法 2.3频域是一种特殊的空间域方法 三、 GCN常用的基准数据集 四、GCN的主要应用 五、GCN的开源库 六、对于GCN的未来发展方向 近年来，关于GCN的综述类文章出了很多， ...
GCN图卷积神经网络论文阅读
Burger_的博客
12-01 654
Semi-Supervised Classification with Graph Convolutional Networks一文的读后感
GNN图神经网络和GCN图卷积神经网络
weixin_62472350的博客
07-08 1594
之前在B站看的视频，把笔记放在这里。点、边、图都可以做成向量；点、边、图都是特征。图1. 1图的基本组成图神经网络强调的是点与点之间的关系。利用图神经网络的目的：整合特征。重构点、边、图的特征，经过迭代更新，得到最好的特征。后续无非就是对点、边、图做分类和回归。图1. 2图神经网络的任务一张图中共5*5=25个点，邻接矩阵共25*25个点，每个点代表了横坐标与纵坐标对应的点的关系，例如图1.3所示，标蓝色表示是邻居关系。邻接矩阵表示了点之间的连接关系。图1. 3图像-图的邻接矩阵。
GCN图卷积神经网络入门
iamjingong的博客
07-17 2280
如有错误，请批评指正 如需PPT请留言
【GCN】图卷积神经网络讲解
m0_51377238的博客
01-09 1449
图卷积神经网络是一种用于处理图结构数据的神经网络。在GCN中，图结构数据指的是由节点node（如人、地点、物体）和边edge（表示节点间的关系或连接）组成的数据。GCN的工作原理是通过卷积操作来聚合和转换节点及其邻居节点的信息。这样做可以捕获图中的局部结构特征，类似于传统卷积神经网络（CNN）在图像处理中捕获像素的局部特征。GCN特别适合于那些节点表示和节点间关系都很重要的问题，如社交网络分析、分子结构识别、推荐系统等。
时空预测 | 基于GCN图卷积神经网络的交通流量时空预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-22 1188
时空预测 | 基于GCN图卷积神经网络的交通流量时空预测
GCN图卷积神经网络总结笔记
timmy___的博客
12-22 447
GCN图卷积神经网络介绍，快速了解GCN
GCN-图卷积神经网络算法讲解（通俗版）
热门推荐
weixin_50706330的博客
10-24 3万+
GCN-图卷积神经网络算法讲解（通俗版）
STGCN图卷积神经网络.pdf
05-28
标题中提到的“STGCN图卷积神经网络.pdf”文档是一篇关于时空图卷积神经网络的论文，具体发表于第27届国际人工智能联合会议（IJCAI-18）。论文中提出了STGCN模型，并用其来解决交通流预测问题。 描述中的“STGCN图...
基于Pytorch框架手动构建GCN图卷积神经网络python源码+详细注释+实验报告.zip
07-25
基于Pytorch框架手动构建GCN图卷积神经网络python源码+详细注释+实验报告.zip 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！有问题请及时沟通交流。 2、适用人群：...
T-GCN（图卷积神经网络-交通流预测）（代码）.zip
01-09
图卷积神经网络（Graph Convolutional Networks, GCN）是一种在图结构数据上进行深度学习的方法，它扩展了传统的卷积神经网络（CNN）到非欧几里得数据。在交通流预测任务中，GCN能有效地处理复杂的交通网络结构，...
吴恩达深度学习笔记：卷积神经网络（Foundations of Convolutional Neural Networks）2.5-2.6
weixin_43597208的博客
09-29 1492
构建卷积层时，你要决定过滤器的大小究竟是 1×1（原来是 1×3，猜测为口误），3×3 还是 5×5，或者要不要添加池化层。而 Inception 网络的作用就是代替你来决定，虽然网络架构因此变得更加复杂，但网络表现却非常好，我们来了解一下其中的原理。例如，这是你 28×28×192 维度的输入层，Inception 网络或 Inception 层的作用就是代替人工来确定卷积层中的过滤器类型，或者确定是否需要创建卷积层或池化层，我们演示一下。
使用keras-tuner微调神经网络超参数
L
10-06 179
本文将介绍keras-tuner提供了三种神经网络超参数调优方法。它们分别是随机搜索RandomSearch、HyperBand和贝叶斯优化BayesianOptimization。
【超强组合】基于淘金优化算法GRO-BP-Adaboost的数据分类预测算法Matlab实现.rar
最新发布
10-08
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 替换数据可以直接使用，注释清楚，适合新手
VMware Workstation Pro 和 VMware Fusion 安装与配置指南
10-08
内容概要：本文档详细指导了如何在不同的主机环境下，通过 VMWare 的两款产品——Workstation Pro 和 Fusion 进行新虚拟机的构建流程以及具体的操作要点说明。 适用人群：希望在单一机器上部署多操作系统的工作环境或学习测试场景的技术人员和学生。 使用场景及目标：旨在帮助初学者搭建属于自己的虚拟机实验平台，从而方便进行软件测试或者研究操作系统相关的新特性等任务，同时也有利于团队间的协作和资源调配。 注意事项：文中涉及的具体操作如下载源文件、配置网络参数时要注意版权合法性问题和技术安全防范。此外还需依据各自电脑的软硬件条件适当增减虚拟机的资源设定。
科研经费管理系统 SSM毕业设计 源码+数据库+论文（JAVA+SpringBoot+Vue.JS）.zip
10-08
科研经费管理系统 SSM毕业设计 源码+数据库+论文（JAVA+SpringBoot+Vue.JS） 启动教程：https://www.bilibili.com/video/BV1GK1iYyE2B
使用Python Matplotlib进行图形输出与保存详解（包含详细的完整的程序和数据）
10-08
内容概要：本文详细介绍了使用 Python 的 Matplotlib 库来输出和保存图形的方法。不仅涉及了基本流程，如生成图表并将之导出成PNG、PDF和SVG等不同格式的内容，还包括高级话题如设置透明度、分辨率以及制作包含图形元素的HTML页面等。文章通过一个具体的示例代码讲解了各个环节的关键细节和技术要点。 适用人群：对数据可视化有兴趣的初学者及具有一定基础想要深入学习 Matplotlib 使用技巧的技术人员。 使用场景及目标：适用于需要掌握 Matplotlib 不同输出选项及其特点的应用场合，尤其是当需要生成用于打印或网页展示的高质量、可自定义外观的图形时。
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