![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GNN
文章平均质量分 93
Miha_Singh
不闻不若闻之,闻之不若见之,见之不若知之,知之不若行之,学至于行之而止矣
展开
-
On the Bottleneck of Graph Neural Networks And Practical Implcation
????文章目录1 前言2 Over Suqashing4 总结Reference论文地址:https://openreview.net/pdf?id=i80OPhOCVH2源码:bottleneck来源:ICLR, 2021关键词:GNN, Over-Squashing1 前言该论文针对GNN中的远距离信息的传播问题提出了一个新的解释。文中讨论的问题是:GNN在聚集/利用远距离结点的信息时存在困难/一个瓶颈。论文针对这个问题进行了讨论和分析,并通过一些例子验证了这个问题。2 Over原创 2021-03-28 22:08:31 · 839 阅读 · 2 评论 -
Combining Label Propagation and Simple Models OUT-PERFORMS Graph Networks
????文章目录1 前言2 问题定义3 Correct and Smooth3.1 Simple Base Predictor3.2 Smoothing final prediction with Prediction Correlation4 总结论文地址:https://arxiv.org/pdf/2010.13993.pdf源码:CorrectAndSmooth来源:ICLR, 2021关键词:Label Propagation, Transductive node classificat原创 2021-03-26 16:00:53 · 325 阅读 · 0 评论 -
DeepGCNs: Can GCNs Go as Deep as CNNs?
????文章目录1 前言2 问题定义3 DeepGCN3.1 Residual Learning for GCNs3.2 Dense Connections in GCNs3.3 Dilated Aggregation inn GCNs4. 总结论文地址:https://arxiv.org/pdf/1904.03751.pdf源码:deep_gcns_torch来源:ICCV, 2019关键词:GCNPoint Cloud Segmentation, Point Cloud Segmentati原创 2021-03-17 17:47:11 · 469 阅读 · 0 评论 -
Spatial Temporal Graph Convolutional Network for Skeleton-Based Action Recogonition
文章目录1 前言2 问题定义3 DySAT思路3.1 Skeleton Graph Construction3.2 Spatial Graph Convolutional Neural Network4 方法的优势与局限性4.1 优势4.2 局限性论文地址:https://arxiv.org/pdf/1801.07455.pdf源码:st-gcn来源:AAAI, 2018关键词:Action Recogonition, GCN1 前言该论文针对人体动作识别问题提出了解决方案。以Skelet原创 2021-03-04 20:41:15 · 442 阅读 · 2 评论 -
Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning
文章目录1 前言2 问题定义3 思路3.1 Semi-Supervised Contrastive Learning}3.2 Graph Generative Loss3.3 Model Training4 方法的优势与局限性4.1 优势4.2 局限性论文地址:https://arxiv.org/pdf/2009.07111.pdf来源:AAAI, 2021关键词:semi-supervised learning, GCN, Contrastive Learning, GCN1 前言该论文主要原创 2021-03-01 22:25:27 · 592 阅读 · 0 评论 -
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
文章目录1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性论文地址:https://arxiv.org/pdf/1902.10191来源:AAAI, 2020源码地址:EvolveGCN关键词:Dynamic Graphs, GCN1 前言该论文解决的是不断进化(evolve)的graph的表征问题。以往的方法主要将结点的表征通过RNN来学习不断进化的graph,这种方法在学习表征时需要知道结点在所有时间区间上的变化(相当于是transductiv原创 2021-03-01 14:04:44 · 1773 阅读 · 0 评论 -
Gated Graph Sequence Neural Networks
文章目录1. 前言2. GG-NN3. GGS-NNReferences论文地址:https://arxiv.org/abs/1511.05493源码地址:ggnnslides:ggnn-talk关键词:RNN, Graph Sequential tasks1. 前言这篇论文提出了一种基于GRU1的GNN,能够进行输出单个值的任务(如结点分类、图分类等),也能完成序列输出的任务(如最短路、欧拉环等)。论文中使用bAbI2(bAbI是Facebook AI推出的文本理解/推理任务生成器)任务和原创 2020-12-28 22:48:03 · 1357 阅读 · 0 评论 -
How powerful are graph gnns?
文章目录1. 前言2. GNNs的区分能力2.1 MEAN Learns Distributions2.2 MAX Identity "Skeleton"References论文地址:https://arxiv.org/abs/1810.00826源码地址:powerful-gnns关键词:GNN, WL graph isomorphism test, GCN1. 前言论文对以往的GNN模型的表现能力(区分能力)进行了理论上的分析,主要针对不同aggregation 的特点进行了分析,并针对以原创 2020-12-28 22:35:57 · 306 阅读 · 0 评论 -
A Comprehensive Survey on Graph Neural Network
文章目录1. 前言2. GNNs分类2.1 RecGNNs2.2 ConvGNNs2.3 GAEs2.4 STGNNs3. GNNs应用3.1 Computer Vision3.2 Natural Language Processing3.3 Traffic3.4 Recommender system3.5 Chemistry3.6 Others4. GNNs模型评估5. 常用数据集6. 未来发展方向6.1 Model Depth6.2 Scalability trade-off6.3 Hetergenit原创 2020-12-28 22:07:57 · 414 阅读 · 0 评论 -
Deep Graph random Process for Relational-Thinking-based Speech Recognition
文章目录1. 前言2. 问题定义3. DGP 思路4. 实现细节4.1 Deep Graph Random Process}4.2 Coupling of Innumerable Percept Graphs}4.3 Inference and Sampling of Edges of Summary Graph}4.4 Learning5. 方法解决的问题/优势6. 方法的局限性/未来方向Reference论文地址:https://smcnus.comp.nus.edu.sg/wp-content/u原创 2020-12-25 20:51:28 · 403 阅读 · 1 评论