【GNN笔记】Dynamic Graph的分类(16)

已于 2022-07-11 10:42:43 修改
阅读量1.4k 收藏 6
点赞数
分类专栏： GNN 文章标签： 机器学习 人工智能 动态图网络
于 2022-07-10 11:52:37 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/panbaoran913/article/details/125703568
版权

视频链接：《图神经网络》
相关文章：

动态网络为网络建模和预测增加了新的维度-时间。
这个新的维度从根本上影响网络属性，使网络数据更强大地表示出来，进而提高使用此类数据的方法的预测能力。
在这里插入图片描述

A、Dynamic Graph Representations

在这里插入图片描述
参考知识：👍 优秀！！！

  1. 《论文导读 | 动态图上神经网络模型综述》，原文《Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey》介绍一篇关于动态图上的神经网络模型的综述，本篇综述的主要结构是根据动态图上进行表示学习过程的几个阶段（动态图表示、模型学习、模型预测）进行分别阐述。包括
  • 系统的探讨不同维度下的动态图分类方法以及各种方法下的数据表示格式
  • 针对不同类别的动态图归纳目前图表示学习的主流算法模型（encoding部分）
  • 分别讨论在预测阶段的主要方法，包括decoding, loss function, evaluation metrics等
  1. 《图神经网络前沿综述：动态图网络》，Katarzyna 主要关注复杂网络的动态和演化的分析与网络的结构和性质的建模。最近，她的团队将精力集中在利用机器学习和可预测性模型来研究动态复杂网络。综述可以分为以下几部分：
  • 动态网络的分类和表示；
  • 作为动态网络编码器的DGNN；
  • 动态网络表征的解码与结构预测：以链路预测为例

在这里插入图片描述

B. Link duration spectrum

在这里插入图片描述

C. Node dynamics

在这里插入图片描述

D. The dynamics network cube

在这里插入图片描述

E. 动态图网络算法

在这里插入图片描述

从几篇综述区分Dynamic Graph和Spatial-temporal Graph
羊城迷鹿的博客
02-28 7763
Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey 本文首先给出了动态网络的定义和分类，然后分别从编码和解码的角度介绍了图神经网络模型如何用于动态图的嵌入表示以及完成链路预测任务 动态网络 定义 动态网络是随时间变化的复杂网络。链接和节点可能出现和消失。 一个 动态网络可以表示为一个图G=(V,E)G=(V, E)G=(V,E)，其中V={(v,ts,te)}V=\{(v
Pytorch Note5 动态图和静态图 dynamic-graph
风信子的猫Redamancy的快乐星球
06-11 1万+
Pytorch Note5 动态图和静态图动态图和静态图TensorFlowPyTorch 动态图和静态图 目前神经网络框架分为静态图框架和动态图框架，PyTorch 和 TensorFlow、Caffe 等框架最大的区别就是他们拥有不同的计算图表现形式。 TensorFlow 使用静态图，这意味着我们先定义计算图，然后不断使用它，而在 PyTorch 中，每次都会重新构建一个新的计算图。通过这次课程，我们会了解静态图和动态图之间的优缺点。 对于使用者来说，两种形式的计算图有着非常大的区别，同时静态图和动态
Dynamic Graph
青烟绕指柔的博客
07-24 886
题目链接：Dynamic Graph 很简单的一道题，但是要注意细节。 更新的时候暴力更新就好了，然后拓扑上面维护Bitset，但是要注意黑点不能直接跳过，直接不去更新颜色即可，如果直接跳过会导致某些点加不进来。 AC代码： #pragma GCC optimize("-Ofast","-funroll-all-loops") #include<bits/stdc++.h> //#define int long long using namespace std; const int N=31
Dynamic Graph (dp,bitset)
柳予欣的三味书屋~
10-05 302
链接：https://ac.nowcoder.com/acm/contest/1110/D 来源：牛客网 时间限制：C/C++ 1秒，其他语言2秒 空间限制：C/C++ 32768K，其他语言65536K Special Judge, 64bit IO Format: %lld 题目描述 Bobo has a directed acyclic graph (DAG) with n nod...
【Sichuan 2017D】Dynamic Graph
dingguayi7025的博客
07-15 162
题意 300个点的无环图，开始都是白色，每次改变某个节点的颜色(黑/白)，问有多少对白点之间存在只有白点的路径。 题解 类似floyd，求出两点之间的路径条数。然后白到黑就删去对应路径，黑到白就增加对应路径。再扫一遍路径数大于0的白点对。 代码 #include <cstdio> #include <cstring> #define N 301 int g[N][...
谷歌 Dynamic Computation Graphs 动态计算图
自然语言处理大菜鸟--HsingWang
03-02 2559
上次调研Syntax+NMT（http://blog.csdn.net/wangxinginnlp/article/details/56488921）发现Sequence-to-Tree 或者 Tree-To-Sequence目前已经火热起来，但是目前绝大部分的深度学习框架（http://blog.csdn.net/wangxinginnlp/article/details/58670706）只是
【论文笔记（3）】Dynamic Spatiotemporal Graph Neural Network with Tensor Network
weixin_38328533的博客
09-22 1220
Dynamic Spatiotemporal Graph Neural Networkwith Tensor Network摘要（Abstract）简介方法2.1 描述问题2.2 空间张量图和时间张量图2.2.1空间张量图(STG)2.2.2时间张量图（STG）2.2.3 切比雪夫多项式逼近2.3 时空图形卷积层(STGCL)2.4网络结构投影纠缠对状态(PEPS)2.6讨论2.6.1Tucker in STGCLPEPS 效果 摘要（Abstract） 动态空间图构造是图神经网络(GNN)解决时间序列数据
Geometric Graph Representation with Learnable Graph Structure and Adaptive AU Constraint 阅读笔记
pzb19841116的专栏
02-22 690
然而，一方面，现有的基于特征点的图聚合动态信息的工作，如光流和放大的形状特征，仍然需要花费大量的计算成本来提取这些特征。相反，人脸特征点是一种更紧凑的模态，可以为MER保留具有判别性的几何特征，并取得了良好的性能。总体而言，在较早的层中，AAU损失约束模型侧重于从人脸特征中学习高层的AU特征，而在较深的层中，则侧重于从高层的AU特征中学习高层的ME特征。我们提供了一种简单高效的方法，直接将基于特征点坐标的几何特征作为节点特征，而不是提供复杂且昂贵的外观特征或不易获取的AU特征。
【GNN4Medical】GNN在医疗领域发展和应用
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
11-21 1329
医疗AI在肿瘤方面应用综述 - 知乎。
论文学习笔记:Federated Graph Neural Networks: Overview, Techniques, and Challenges
m0_57180439的博客
07-03 1310
FedGNNs论文综述
FinDKG: Dynamic Knowledge Graphs...... 基于大语言模型的动态知识图谱论文笔记
m0_49214701的博客
02-05 1226
动态知谱（Dynamic Knowledge Graphs，DKGs）是一种常用的结构，用于表示对象之间随时间变化的多种连接关系。它们还可一种有效的数学工具，来表示从复杂的非结构化数据源（如文本或图像）中提取的信息。在金融应用中Gs 可用于基于从金融新闻文章中获取的信息，检测战略性主题投资的趋势。
Dynamic Graph Algorithms
08-26
Dynamic Graph Algorithms Methodology & State of the Art Algorithmic Techniques & Experimen Conclusions
Dynamic Graph Map Animation
algzjh的博客
08-16 261
论文传送门
Dynamic Graph Neural Networks for Sequential Recommendation
且视他人之疑目如盏盏鬼火,大胆地去走你的夜路
06-01 3118
一个月前刚出的论文，占领第一片土地！ 基于动态图卷积神经的序列化推荐系统 摘要 从用户的历史序列中建模用户偏好是顺序推荐的核心问题之一。这些领域的现有方法从传统方法到深度学习方法分布广泛。然而，它们大多只在自己的序列中建模用户兴趣，而忽略了不同用户序列之间动态协作信号的细粒度利用，不足以探索用户偏好。我们从动态图神经网络中获得灵感来应对这一挑战，将用户序列建模和用户之间的动态交互信息统一到一个框架中。提出了一种新的动态图神经网络顺序推荐方法(DGSR)，该方法通过动态图结构连接不同用户的顺序，探索具有时.
【3D计算机视觉】Dynamic Graph CNN——点云动态图卷积神经网络
热门推荐
小执着的博客
03-21 1万+
Dynamic Graph CNN for Learning on Point Clouds1.简介1.1 解决的问题1.2 贡献1.3 EdgeConv的优缺点：2.网络结构2.1 EdgeConv层介绍2.2 函数的选择2.3 示意图3.实验结果： 1.简介 该文章是最新出的一篇针对Point Clouds数据分类、分割的网路，它是受点云数据处理的鼻祖论文PointNet、PointNet++...
(TOG 19) DGCNN: Dynamic Graph CNN for Learning on Point Clouds
dloading7的博客
04-03 2407
DGCNN[1]主要提出了EdgeConv操作，在点云上能够进行类似CNN在图像上所进行的操作，可以适用于分类与分割任务。 EdgeConv Graph Construction 对于点云中某点 xi{x_i}xi​ ，利用KNN操作构造有向图G=(V,E)G = \left( {V,E} \right)G=(V,E)，其中VVV代表图中各个顶点，EEE代表边。如下图所示： Graph Convolution 定义EdgeConv的核心操作为： 可以看到，对于中心点xix_ixi​与xjx_jxj​，.
2017四川省赛D.Dynamic Graph（类floyd的动态规划,或者bitset）
Q755100802的博客
10-06 258
题目大意： 给你一个有向无环图，一开始所有点都是白色的点，现在每次操作给一个点v，将他的颜色翻转（白色点变为黑色点，黑色点变为白色点），你需要在每次操作之后，回答这个图中有多少对（u，v）节点，u,v节点为白色，且u到v有一条全部为白色节点的路径。 思路： 如果每次询问求一次任意两点之间是否相通，复杂度为O(n^4)，无法接受，不过有一种类似暴力的方法，用bitset维护图，这样可...
【HDU-6321】Dynamic Graph Matching 【状压DP】
lzs_lazy
07-31 242
Problem Description In the mathematical discipline of graph theory, a matching in a graph is a set of edges without common vertices. You are given an undirected graph with n vertices, labeled by 1,2...
Dynamic Graph CNN for Learning on Point Clouds 阅读笔记
qq_43111600的博客
03-11 349
应用于点云的动态图卷积神经网络DGCNN论文阅读笔记。
图神经网络GNN学习笔记
最新发布
03-13
### 图神经网络 (GNN) 学习资源 对于希望深入了解图神经网络（Graph Neural Networks, GNNs）的学习者来说，有多种高质量的教程、论文和技术博客可以作为参考资料。 #### 论文阅读 一些重要的研究工作奠定了现代GNN的基础。例如，《DeepWalk: Online Learning of Social Representations》探讨了如何通过随机游走的方式捕捉社交网络中的节点特征[^1]；《node2vec: Scalable Feature Learning for Networks》则进一步扩展了这一思路，提出了更灵活的方法来生成节点嵌入表示；而《Semi-Supervised Classification with Graph Convolutional Networks》引入了一种基于卷积操作处理图形数据的新框架——GCN（Graph Convolutional Network），它能够有效地利用未标记的数据进行半监督分类任务。 #### 教程视频 除了学术文章外，在线教育平台也提供了许多易于理解的教学材料。比如B站上有一个名为“GNN从入门到精通”的系列课程，该课程由浅入深地讲解了有关GNN的知识点，并配有实际案例分析和编程练习[^3]。 #### 技术文档与笔记整理 为了帮助初学者更好地掌握理论概念并应用于实践当中，“【GNN】图神经网络学习小结and笔记汇总”这份总结性的资料非常有价值。这里不仅包含了对核心算法原理详尽解释的文字描述，还有配套代码实现供读者参考学习[^2]。 ```python import torch from torch_geometric.nn import GCNConv class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = GCNConv(dataset.num_node_features, 16) self.conv2 = GCNConv(16, dataset.num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) ``` 上述Python代码片段展示了如何使用PyTorch Geometric库构建简单的两层GCN模型来进行节点分类预测。
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