图神经网络论文阅读(十八) GeniePath: Graph Neural Networks with Adaptive Receptive Paths，AAAI2019

最新推荐文章于 2023-09-18 10:48:44 发布
最新推荐文章于 2023-09-18 10:48:44 发布
阅读量941 收藏 2
点赞数
分类专栏： GNN Model 文章标签： 图神经网络
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/qq_36618444/article/details/109029672
版权
文章提出GeniePath，一种用于图数据的可扩展方法，学习自适应接受域以进行广度和深度探索。通过自适应路径层，该方法能有效地在置换不变图上学习节点的邻域重要性和信号过滤。实验显示，GeniePath在多个数据集上表现出竞争力，尤其在大型图上取得最先进的结果，且对传播层的深度不敏感。
摘要由CSDN通过智能技术生成

本文作者来自于Ant Financial Services Group和Georgia Institute of Technology。
本文提出一种可扩展的方法，用于学习定义在置换不变图数据上的神经网络的自适应接受域。在GeniePath中，我们提出了一种自适应路径层，它由两个互补的功能组成，分别用于广度和深度的探索，前者学习不同大小邻域的重要性，而后者则从不同跳点的邻域中提取和过滤聚合的信号。在几个数据集上的实验表明，本文的方法是相当有竞争力的，并在大型图表上产生最先进的结果。另一个显著的结果是，我们的方法对传播层的深度不那么敏感。

Discussions

GNN领域的主要工作是设计有效的聚集器功能，可以传播信号周围的t阶邻域为每个节点。他们中很少有人试图学习指导传播的有意义的路径。为什么学习接受路径很重要?原因可能有两方面：（1）图可能有噪声，在学习基于邻域的聚合时把噪声节点也聚合进去了。（2）不同的节点扮演不同的角色，因此产生不同的接受路径。举个例子，看图：
在这里插入图片描述
这是一个欺诈检测案例:高风险账户(红色节点)、风险未知的账户(绿色

了解本专栏 订阅专栏 解锁全文 超级会员免费看
五月的echo
关注
专栏目录
订阅专栏
图神经网络（二十七）GeniePath: Graph Neural Networks with Adaptive Receptive Paths
码匀的博客
04-12 558
本文收录于AAAI2019，作者来自于蚂蚁金服，最近看到很多文章都引用了这篇paper，因此来扫盲。看完了这篇文章觉得文章的创新点还是非常足的，想法也很有深度，OK来到正文部分。本文的method基于一个目标：以往的图卷积都基于聚合固定阶数邻域信息来得到节点表示，那么在图中是否存在一条对节点表示最有贡献的路径，通过对多条这种路径上的节点信息进行有选择的聚合来获得最终的节点表示。可以想象成对一个节点的一阶邻域先做一个重要性评估，然后基于这个一阶邻域中重要的节点进行信息的传播。简单概括摘要：作者提出了一种可扩展
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
最新发布
盼小辉丶的博客
01-02 8万+
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。
GeniePath：Graph Neural Networks with Adaptive Receptive Paths
zhao254014的博客
10-04 442
研究了图卷积网络寻找有意义的感受路径的问题，由自适应广度函数和自适应深度函数构成的自适应路径层
GeniePath: Graph Neural Networks with Adaptive Receptive Paths
algzjh的博客
07-19 701
论文传送门 作者 Ziqi Liu Chaochao Chen Longfei Li Jun Zhou Xiaolong Li Le Song Yuan Qi
GCN阅读 GeniePath: Graph Neural Networks with Adaptive Receptive Paths
weixin_43537073的博客
01-14 1005
本文是关于一种自适应感知路径的GNN GeniePath论文的笔记 文章目录前言一、什么是感受野二、使用步骤1.引入库2.读入数据总结 前言 该神经网络适用于可扩展的，能够学习自适应感受路径的图神经网络框架，他定义在具有排列不变性的图数据上。 排列不变性：指的是输入的顺序改变不会影响输出的值。（在图上体现的排列不变形可能就是节点的输入顺序。） 一、什么是感受野 在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的**特征图（feature map）**上的像素点在原始图像上映射的区域大小。 二
【GCN】论文笔记：GeniePath: Graph Neural Networks with Adaptive Receptive Paths
m0_50611867的博客
01-12 683
一种自适应感知路径的GNN：GeniePath前言一、需要提前知道一些1.感受野（receptive field）2.排列不变性(permutation invariant)3.自适应路径层二、为什么要感知路径三、GeniePath1.GeniePath算法核心2.自适应路径层3. 变体：GeniePath-Lazy总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本
图神经网络论文阅读(十六) GraLSP: Graph Neural Networks with Local Structural Patterns,AAAI 2020
qq_36618444的博客
10-08 1628
本文作者来自香港科技大学、北大和北邮，其中包含宋国杰老师和石川老师，这两位都是国内研究图表示学习的翘楚了。之前读石川团队论文的时候自己犯傻发邮件问了一个比较弱智的问题，石川老师还是让学生耐心帮我解答了。 本文做了我一直想做的事情：GNN聚合邻居特征的时候同时考虑结构信息。有很多研究都是基于Motif（或者叫graphlet）进行的，比如High Order Network Representation，WWW2018，不过需要事先的人工定义，在前几年唐杰老师（比如StructInf: Mining Stru
刘知远-Introduction to Graph Neural Networks.pdf
04-01
these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional...
GeniePath：Graph Neural Networks with Adaptive Receptive Paths 论文详解 AAAI2019
知行合一，止于至善
09-23 3280
文章目录1 相关介绍1.1 感受野的定义贡献2 图卷积网络GCNGCN、GraphSAGE、GATDiscussions3 GeniePath3.1 Permutation Invariant 排列不变性Theorem 1 (Permutation Invariant 排列不变性)Remark 2 (Associative Property 结合律)3.2 Adaptive Path Layer ...
Github项目推荐-图神经网络(GNN)相关资源大列表
数智物语
04-25 6199
文章发布于公号【数智物语】（ID：decision_engine），关注公号不错过每一篇干货。 转自 | AI研习社 作者｜Zonghan Wu 这是一个与图神经网络相关的资源集合。相关资源浏览下方Github项目地址，再点击对应链接跳转下载。 01 Github项目地址： https://github.co...
图深度学习论文笔记整理活动 | ApacheCN
龙哥盟
07-24 3万+
整体进度：https://github.com/apachecn/graph-emb-dl-notes/issues/1 贡献指南：https://github.com/apachecn/graph-emb-dl-notes/blob/master/CONTRIBUTING.md 项目仓库：https://github.com/apachecn/graph-emb-dl-notes 贡献指南 ...
AAAI-19录用论文清单
TomRen
01-28 1万+
AAAI-19于1月27日在夏威夷召开，今年是33届会议。 会议录用论文清单, workshop16个，tutorials24个。 标题的词云分析： 作者单位词云(按作者人数计算/一篇文章可能有多个作者)： picture from lonelyplanet.com 下面给出接收论文的列表： 第一个数字表示投稿的序号&内容可能有缺失 9: CircConv: A S...
800 篇顶会论文纵览推荐系统的前沿进展(转载)
weiwei935707936的博客
06-06 1414
从早期基于用户或物品邻域的 UserKNN 和 ItemKNN 方法，到基于矩阵分解的 SVD++、BPRMF，再到近几年基于图神经网络的 NGCF、LightGCN 等模型，基于相似性进行推荐的思路时至今日仍然在新技术的推动下焕发着强大的生机。本文聚焦于推荐系统在学术研究方面的前沿进展，在之前整理的 Awesome-RSPapers 基础上扩展了近两年顶会中推荐系统相关的论文，涵盖 SIGIR、SIGKDD、RecSys、CIKM、AAAI、WSDM、WWW 的 20 次会议。欢迎大家关注和 Star~
【计算机视觉】Graph Models算法介绍合集（五）
wzk4869的博客
09-18 280
【计算机视觉】Graph Models算法介绍合集（五）
GNN 推荐系统综述 - Graph Neural Networks in Recommender Systems: A Survey
SmartLab307的博客
12-01 1067
本文是一篇推荐系统综述，介绍了Graph Neural Networks，Recommender System方面的相关内容
A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[五]-GeniePath会自动过滤多度“邻居“的图神经网络算法。
丨汀、的博客
03-13 281
构图对于GNN格外重要。那么怎样构图才有信息、有意义呢？如果节点的邻居只有自己，即邻接矩阵为对角阵时，GNN会退化成一个DNN模型。图中每个节点都是孤立的，相当图信息并不能相比其他方法带来增益。如果图特别稠密，比如是一个clique，即每个节点都和所有其他节点有边连接。同样的，这样的图信息同样是信息熵为0。经验上讲，节点度分布有区分度的图是相对有价值的。查看图的节点度分布。比如二类分类，分析正负例的图拓扑当然，构图和实际场景强相关。
GNN在推荐系统中的挑战、方法和方向
宇宙哇
10-15 1336
GNN在推荐系统中的挑战、方法和方向 今天给大家介绍清华大学李勇、中科大何向南老师团队有关GNN和推荐系统的综述：Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions。这篇文章对图神经网络及其在推荐系统中的应用进行了详细的调研，从不同角度对GNN在推荐系统的应用进行了分类，最后基于这些调研对领域内存在的问题和发展方向进行了讨论。 推荐系统的发展历程 浅层模型 早期的推荐模型主要通过计算交互的
WWW‘22 推荐系统论文之图神经网络篇
公众号/知乎: AI算法札记，欢迎关注交流
06-29 2664
基于图网络的推荐系统论文，主要改进思路：无需使用给定的社交网络、局部和全局信息利用 (本身local，主要是global)、高阶信息利用、结构邻居与语义邻居、互蒸馏、时空信息利用等，基本是将图网络的一些进展迁移到推荐系统领域。...
node2vec python_论文笔记 | node2vec
weixin_39707941的博客
12-03 369
论文笔记 | node2vec: Scalable Feature Learning for networks论文【node2vec: Scalable Feature Learning for networks】为可度量的网络特征学习，是由斯坦福大学的Aditya Grover和Jure Leskovec在2016年提出的，它实际上是对DeepWalk的改进，是基于DeepWalk的升华。所以在...
NeurIPS 2020论文代码公布：迭代深度图学习在图形神经网络的应用
1. 图形神经网络（Graph Neural Networks, GNNs）与深度图学习 - 图形神经网络是深度学习在图形结构数据上的应用，它们能够捕捉数据中的结构信息。 - 深度图学习是指利用深度学习方法处理图数据的技术，它通常包括...
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

打赏作者

五月的echo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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