图神经网络原理详解——GNN、GCN

已于 2025-02-10 08:45:26 修改
阅读量1.8k 收藏 17
点赞数 31
分类专栏： 模型原理 文章标签： 神经网络 人工智能 深度学习
于 2025-02-05 23:53:26 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_62790681/article/details/145459631
版权

论文地址：A Gentle Introduction to Graph Neural Networks

基本知识

图是表示实体之间的一些关系，简单来说就是顶点和边之间的关系。

图分为有向图和无向图，有向图中的A->B和B->A表示不同的向量，无向图A-B等价于B-A。

如何把图片表示成一张图？

1.图像的每个像素都对应图的一个顶点，在邻接矩阵中用第 i 行 j 列表示。

2.顶点和顶点之间的关系用

最低0.47元/天 解锁文章
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
盼小辉丶的博客
01-02 11万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 1万+
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
图神经网络（GNN）
qq_45856698的博客
03-13 4355
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。
什么是图神经网络GNN？
qq_44452377的博客
09-25 2万+
简单介绍什么是图神经网络GNN
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 12万+
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..
GNN图神经网络简单理解
qq_44935334的博客
09-10 6757
图：表示一些实体之间的关系顶点（研究的对象）：顶点信息、邻点数目等边（两个对象之间特定的关系）：边信息、边权重等全局信息：节点个数、最长路径等顶点：用向量表示边：用向量表示全局信息：用向量表示时域中的卷积运算等价于频域中的乘法运算图像是一种特殊的图数据从网络连接方式来看，二者都是局部连接（大大减少了单层网络的计算复杂度）二者卷积核的权重是处处共享的（有效地避免过拟合现象的出现）从模型的层面来看，感受域随着卷积层的增加而增加。
GNN教程：图神经网络“开山之作”！
Datawhale
11-12 3447
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：秦州，算法工程师，Datawhale成员引言本文为GNN教...
GNN（图神经网络）基本概念
luemeon的博客
02-16 9838
功能：节点分类和图分类 空域 ：空间上考虑图结构的模型，即考虑目标节点和其他节点的几何关系(有无连接)。 模型代表：GAT（Graph Attention Networks）图注意力模型 频域： 模型代表：GCN（Graph Convolutional Network ）图卷积网络 优点：省参数 缺点：不易作用于动态图 共同步骤： 加工图邻接矩阵 对图邻接矩阵特征分解，得到特征值， 将特征向量看作常数，而卷积核作用在特征值上 ......
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 1万+
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络实战（12）——图同构网络(Graph Isomorphism Network, GIN)
盼小辉丶的博客
06-06 6193
图同构网络 (Graph Isomorphism Network, GIN) 架构受 WL 测试启发而设计的，其表达能力与 WL 测试相近，因此在严格意义上比 GCN、GAT 或 GraphSAGE 更具表达能力。在本节中，将这一架构用于图分类任务，介绍了将节点嵌入融合到图嵌入中的不同方法，GIN 通过连接求和运算符和每个 GIN 层产生图嵌入，其性能明显优于通过 GCN 层获得的经典全局均值池化。最后，我们将两个模型的预测结果进行简单的集成，从而进一步提高了准确率。
GNN的理解与研究
weixin_43702653的博客
03-30 3万+
GNN理解
图神经网络 (GNN)
m0_62307289的博客
11-11 1万+
我们以民国最出名的七角恋人物关系图为例进行讲解，如下图所示：这是一张图，包括人物实体以及人物关系。我们抽象成下面的形式，人物是图的顶点（Vertex）、人物关系是图的边（Edge）。顶点和边都可以附带各自的属性（如：姓名、关系类型等）V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）
GNN是什么？GNN怎么学？GNN何用？
炼丹笔记
05-23 1万+
GNN的可视化解释！近来发现非常多的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章，便将其翻译整理和大家一起分享。目前图模型的应用非常广泛，最典型的如社交网络，蛋白质结构等。最近越来越多的图算法也被应用于搜索推荐，时间序列等的问题，并且都取得了非常大的成功，本文我们直观的不带有任何数学等形式的了解一下图神经网络。大家一定会非常好奇，图神经网络究竟哪里好...
图神经网络（GNN）简介
陨星落云的博客
10-06 1万+
资料来源：Manuchi，通过图片（CC0） Graph Neural Network（GNN）由于具有分析图形结构数据的能力而受到了广泛的关注。本文对Graph Neural Network进行了简要介绍。它涵盖了一些图论，以便于理解图和分析图时遇到的问题。然后介绍了不同形式的Graph神经网络及其原理。它还涵盖了GNN可以做什么以及GNN的一些应用。 图论 首先，我们需要知道什么是图。 图是一种由两个部分组成的数据结构：顶点*和edge*。它用作分析对象和实体之间成对关系的数学结构。通常，将图定义为G.
GNN基础知识
天狼啸月1990的博客
12-27 3500
GNN基础知识：拉普拉斯矩阵，图傅里叶变换，切比雪夫多项式，attention机制
图神经网络（GNN）最简单全面原理与代码实现
hellozhxy的博客
01-11 2万+
图数据是由节点（Node）和边（Edge）组成的数据，最简单的方式是使用邻接矩阵来表示图形结构，从而捕捉图形中的节点和边的相关性。假设图中的节点数为n，那么邻接矩阵就是一个n*n的矩阵，如果节点之间有关联，则在邻接矩阵中表示为1，无关联则为0。在图中，鲁班与其他英雄都没有关联，表现在邻接矩阵当中就是它所在的行与列为全零。王者荣耀当中的图和邻接矩阵图数据的信息包含3个层面，分别是节点信息（V）、边信息（E）、图整体（U）信息，它们通常是用向量来表示。
图神经网络与图注意力模型（GNN、GCN、GAT）
最新发布
12-09 4921
机器学习，深度学习，卷积神经网络处理，图像处理。
图神经网络GNN学习日志——GNN介绍
Joker 007的博客
10-23 3121
图神经网络
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