阅读论文 GraphGAN: Graph Representation Learning with Generative Adversarial Nets

最新推荐文章于 2024-06-21 21:05:35 发布
最新推荐文章于 2024-06-21 21:05:35 发布
阅读量4.9k 收藏 12
点赞数 1
分类专栏： paper
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/qq_28811329/article/details/82595798
版权
GraphGAN是一种结合生成式和判别式模型的图表示学习方法，通过生成器和判别器的博弈来学习节点的低维表示。生成器尝试模拟真实的连接分布，而判别器则试图区分真实连接对和虚假连接对。这种方法适用于各种图数据，如知识图谱、分子结构等，旨在最大化边重建概率并最小化距离和排名损失。
摘要由CSDN通过智能技术生成

1. Graph representation learning 

(network embedding / graph embedding / network representation learning) tries to embed each node of a graph into a low-dimensional vector space, which preserves the structural similarities or distances among the nodes in the original graph.

2. Graph分类：

按照Input：

  • Homogeneous graph (e.g., citation network)
  • Heterogeneous graph 

             Multimedia network

             Knowledge graph (entity,relation)

  • Graph with side information（辅助信息）

       Node/edge label (categorical)
       Node/edge attribute (discrete or continuous)
       Node feature (e.g., texts)

  • Graph transformed from non-relational data (从非关系型数据中转换成的图)

         Manifold learning

按照Output:

  • Node embeddin
最低0.47元/天 解锁文章
tomato_guo
关注
专栏目录
GAN学习笔记（8）（GraphGAN）
qq_43390809的博客
08-27 2255
GraphGAN: Graph Representation Learning with Generative Adversarial Nets 3. Motivation 网络表示学习方法可以分成两个类别。 一种是Generative model（生成式模型），假定对于每一个顶点，在图中存在一个潜在的、真实的连续性分布 Pt_tt​r_rr​u_uu​e_ee​(v|vc_cc​)， 图中的每条边都可以看作是从Pt_tt​r_rr​u_uu​e_ee​里采样的一些样本。生成式方法都试图将边的似然...
Graph Representation Learning (Hamilton图表示学习)笔记（一）
qq_38402294的博客
05-19 630
​ Chapter 1 Introduction 第一章主要是一些介绍性的内容。 图是在描述复杂系统时一种常见的数据结构，通常一张图由节点的集合和节点之间的关系（边）组成。例如，在用图表示社交网络时，我们可以用节点表示个体，用边表示不同个体间的朋友关系（如下图所示）；在生物领域我们可以用节点表示蛋白质，用边表示蛋白质间的各种生物关系。 图结构的优势在于它能比较好的表示节点间的关系，同时具有较强的通用性和一般性，同一张图可能既能表示社交网络，又能表示药物和蛋白质间的关系、分子内部的不同原子间的相互作用。 本
探索图神经网络（GNN）：使用Python实现你的GNN模型
最新发布
weixin_42132035的博客
06-21 1644
本文介绍了如何使用Python和DGL库实现一个简单的图神经网络模型，并阐述了图神经网络的基础知识、主要模型以及应用场景。通过本文的学习，你应该能够初步了解GNN的基本原理和实现方法，并尝试在实际项目中应用GNN。图神经网络是一个强大且灵活的工具，它在处理图结构数据方面有着独特的优势。希望这篇文章能帮助你开启GNN的探索之旅。如果你对图神经网络感兴趣，可以进一步深入学习更复杂的模型和应用，如GraphSAGE、GAT等。祝你在GNN的世界里有所收获！
GraphSGAN框架理解
weixin_40945354的博客
07-31 1437
本文研究了生成对抗网络(GANs)在图半监督学习中的潜力，GraphSGAN是运用对抗生成网络（GAN）对图进行半监督学习的一个新框架。与GraphGAN相比，加入了半监督学习，从而将性能更加有效的提升。 在此前的研究中，GraphGAN是生成对抗网络模型GAN在图表征学习中的最新进展。GANs最初是为了生成图像而设计的，通过训练两个玩最小-最大游戏的神经网络：判别器discriminator D试图区分真实样本和假样本，生成器generator G试图生成“真实”样本来欺骗判别器discriminator
《Graph Representation Learning》【2】——Background and Traditional Approaches
智慧的旋风的博客
11-25 510
2 Background and Traditional Approaches 在这一章中，我们将介绍的传统的图学习方法。这些内容虽然古老，但是确是后续章节的基础，也需要认真对待。 2.1 Graph Statistics and Kernel Methods 这类方法，主要是根据启发式函数或领域知识，提取一些统计信息或特征，然后将这些特征作为标准机器学习分类器的输入。 这一部分是介绍各种启发式统计信息和图属性，它们通常被用作传统机器学习的输入。 2.1.1 Node-level statistics
《Graph Representation Learning》【1】——Introduction
智慧的旋风的博客
11-24 732
《Graph Representation Learning》 《Graph Representation Learning》。Hamilton大神的书。 Abstract 这本书的目标是提供一个图形表示学习的综合和概述。我们首先讨论图表示学习的目标，以及图论和网络分析的关键方法论基础。在此基础上，我们介绍并回顾了节点嵌入的学习方法，包括基于随机游走的方法及其在知识图中的应用。然后，我们对高度成功的图形神经网络（GNN）形式进行了技术综合和介绍，它已成为图形数据深度学习的主导和快速发展的范例。这本书最后综合
GraphGAN: Graph Representation Learning with GAN
qq_45312141的博客
09-06 1620
GraphGAN: Graph Representation Learning with GAN1、Introduction2、GraphGAN Framework2.1 OptimizationDiscriminator OptimizationGenerator OptimizationGraph Softmax for Generator 1、Introduction 网络表示学习方法可以分成两个类别。 Generative model假定对于每一个顶点vcv_cvc​ ，在图中存在一个潜在的、真
CommunityGAN Community Detection with Generative Adversarial Nets
逐梦
05-18 1964
CommunityGAN Community Detection with Generative Adversarial Nets 这篇文章主要的目标是在建模一个关于图节点的表征。在这个表征中，希望能够把节点的社区性质表达出来。 这样的话，社区的区分之间就可以有重叠。 Introduction 社区检测问题：识别和分析共享高度相似属性或函数的顶点组 传统的问题假设是一个点只属于一个社区。如果把这个...
NetGan
NockinOnHeavensDoor的博客
07-18 2179
1. Introduction 问题 Dong, Yuxiao, Johnson, Reid A, Xu, Jian, and Chawla, Nitesh V. Structural diversity and homophily: A study across more than one hundred big networks. In Proceedings of the 23...
【GANs】Deep Convolution Generative Adversarial Network
m0_57411450的博客
09-27 391
深度卷积神经网络（Deep Convolution Generative Adversarial Nets）的生成网络在DCGAN中，判别网络是一个传统的深度卷积神经网络，但使用了带步长的卷积来实现下采样操作，不用maxpoolingmaxpoolingmaxpooling操作；生成网络使用了一个特殊的深度卷积网络来实现。如上图，使用微步卷积来生成64×6464×6464×64大小的图像。第一层是全连接层，输入是从均匀分布中随机采样的100维向量zzz。
graph embedding相关论文整理
07-08
个人整理的最近几年比较好的graph embedding算法相关的论文。
图表示学习（Graph representation learning） （part0 and part1）.zip
10-29
图表示学习，是2018年火爆全球的一个深度学习方向，从以Line, meta-path等为首的节点表示学习，到以GCN，GraphSAGE，为首的图卷积方法，在到近期的以GraphVAE为首的生成图模型，图表示学习方向的文章如过江之鲫。在昨天的AAAI 2019 Tutorial环节，来自Facebook AI Research 的 William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展。
GAN、NLP：Generative Adversarial Networks(GANs)Tutorial in Python
程序员光剑
07-31 1681
作者：禅与计算机程序设计艺术Generative Adversarial Networks (GANs), also known as GANs for short, are a type of deep learning model used to generate new data instances or images that appear realistic and plausible. They were originally proposed by Ian Goodfellow et al.
Graph Representation Learning 笔记 Ch1&Ch2
qq_38420683的博客
02-24 1531
Graph Representation Learning中第一、二章的阅读笔记，介绍了图的基本信息、图机器学习的基本任务和图中的特征工程。
探索前沿技术：GraphGAN - 图结构数据的生成对抗网络
gitblog_00039的博客
04-17 520
探索前沿技术：GraphGAN - 图结构数据的生成对抗网络 项目地址:https://gitcode.com/hwwang55/GraphGAN 在数据科学和机器学习领域，图结构数据（如社交网络、分子结构等）的处理是一项挑战。GraphGAN 是一个由开发者 hwwang55 创建的项目，它提供了一种创新的方法来处理这类数据，通过将生成对抗网络（GAN）的概念应用于图数据，实现了高效且准确的建模...
GAN在网络表示中的应用--GraphGAN、Adversarial Network Embedding
hy_jz的博客
12-18 8187
GAN(Generative Adversarial Networks)在图像、文本数据的表示学习中应用广泛。对抗网络包含两部分，生成器和判别器。生成器的目的是生成与真实数据尽可能相似的数据，去“欺骗”判别器；判别器的目的是尽可能地将真实数据和生成的数据区分开。对抗训练就是生成器和判别器之间的一种“zero-sum”博弈，此消彼长，达到难以区分真实数据和生成器生成数据的效果。 Graph
打开pkl文件，注意这里文件放的地方不是user了，而是模型GraphSGAN下，为什么，不知道，不然会报错（后来知道了）
weixin_40945354的博客
07-29 353
报错这个： FileNotFoundError: [Errno 2] No such file or directory: 'G2.pkl' 第一个例子： import pickle # 重点是rb和r的区别，rb是打开2进制文件，文本文件用r f = open('embedding2.pkl','rb') data = pickle.load(f) print(data) out： 119547037146038801333356 也不知道这是什么 第二个例子 import pickle a =
predicting patient outcomes with graph representation learning
04-30
随着医疗技术的不断发展和数据的不断积累，如何快速而准确地预测患者的治疗结果成为了医学界的一个重要问题。而基于图表示学习的方法正是近年来受到广泛关注的一种能够有效解决这个问题的技术。...
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