图神经网络论文阅读(十九) Position-aware Graph Neural Networks，ICML2019

最新推荐文章于 2024-07-04 13:05:47 发布
最新推荐文章于 2024-07-04 13:05:47 发布
阅读量1.7k 收藏 5
点赞数 2
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/109065241
版权
本文提出位置感知图神经网络（P-GNN），解决了传统图神经网络（如GCN）在异质网络中的局限性，能够捕获节点相对于锚节点的位置信息。P-GNN通过锚集采样和非线性距离加权聚合方案，实现了对节点位置的敏感嵌入，从而避免了过平滑问题。理论和实验表明，P-GNN相比传统方法更具有通用性和表达力。
摘要由CSDN通过智能技术生成

本文的三位作者来自斯坦福大学。
在正式阅读本文之前，我们考虑这样一个事实：以GCN为代表的领域聚合方式在每一轮的前向传播中，只能获取到N-hop邻域内节点的特征，并且，其最为基本的想法是基于网络同质性的，也就是相邻节点具有相似性。假定，对于异质网络，中心节点A的type为1，邻域节点BCD的type为2，那么在一次聚合之后，A就会变成2。并且，过深的网络会造成过平滑，这都是GCN无法解决的。
本文提出了一种用于计算位置感知节点嵌入的新型图形神经网络——位置感知图神经网络。P-GNN首先对锚节点集进行采样，计算给定目标节点到每个锚集的距离，然后学习锚集上的非线性距离加权聚合方案。通过这种方式，P-GNNs可以捕获节点相对于锚节点的位置。P-GNN有几个优点:它们是归纳的、可伸缩的，并且可以合并节点特性信息。
具体说来，P-GNN使用节点采样，保证选择k个随机子集的节点称为锚集。为了计算一个节点的嵌入，P-GNN首先在每一次聚合过程中对多个锚集进行采样，然后学习一种非线性聚合方案，该方案结合每个锚集的节点特征信息，并根据节点与锚集之间的距离对其进行加权。Bourgain theorem证明了为了保证图节点采样过程中的低失真，所需要的锚集的数量为 k = O ( l o

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
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
GNN2021(十九) GraphReach: Position-Aware Graph Neural Network using Reachability Estimations，IJCAI2021
qq_36618444的博客
09-09 618
本篇文章可以看做是之前写过的博客Position-aware Graph Neural Networks，ICML2019 中P-GNN的改进，有兴趣的小伙伴可以点击传送门去看哈。 Introduction 从直觉来说，GNN中，两个距离非常远但位于相似区域的节点应该映射到相似嵌入，但是基于同质性假设的GNN并不能很好地做到这一点。因此，为了引入全局的节点位置信息，在P-GNN的基础上提出GRAPHREACH，具体来说就是通过对一组锚节点（anchor nodes）的可达性估计来捕获节点的全局位置。换句话.
计算机语言网图,Graph Neural Network（GNN）最全资源整理分享
weixin_42526068的博客
07-16 1846
GNN自去年起，一直是研究的热点，图神经网络相关的关键词频繁出现在今年各大AI顶会论文title中，加深对这一领域的了解是非常必要的。分享一篇，关于GNN，目前看到的整理得最细致的资源列表。内容涉及节点表示学习、知识图谱表示学习、图神经网络介绍、图神经网络应用、图生成以及可视化相关的最新论文列，还收集了目前流行的开源GNN平台。本文内容整理自网络，源地址：https://github.com/De...
论文笔记--Position-aware Graph Neural Networks
chenxino的博客
09-21 1812
现存的GNN都无法获取点的位置信息，不能很好的处理同构的点， 作者提出一种用于计算位置感知节点嵌入的新型图形神经网络P-GNN（位置感知图神经网络）， 用于解决这个问题。该方法主要在于选取锚集，计算给定目标节点到每个锚集的距离，然后学习锚集上的非线性距离加权聚合方案。通过这种方式，P-GNN可以捕获节点相对于锚节点的位置信息。 Problem statement 现有GNN体系结构的主要限制是无法捕获节点的位置，在更广泛的图结构上下文中。例如，如果两个节点位于图中非常不同的部分但如果具有拓扑上相同的(局
CVPR 2024最佳论文分享：打破刚性的超分辨率图像处理GNN
最新发布
audyxiao001的博客
07-04 1501
本文介绍了CVPR2024的最佳论文，该论文提出了一种基于图的超分辨率方法IPG。通过灵活的图结构打破传统方法的刚性限制，并在多个基准数据集上展示了其优越的性能。论文详细设计并训练了IPG模型，并进一步验证了该模型能够在超分辨率任务中取得显著提升。
【GNN】【ICML2019】Position-aware Graph Neural Networks
bagba的知识分享库
06-30 453
GNN文章速读，ICML2019.
Position-aware 图神经网络
weixin_44370695的博客
08-15 471
结点嵌入的三种方法： 图神经网络方法 矩阵分解方法 随机游走方法 下面讲讲图神经网络的方法： 在图神经网络框架里，结点嵌入式通过一系列非线性图卷积、池化等操作实现。 对于下图，结点v1v_{1}v1​和结点v2v_{2}v2​是不可区分的。 Point-aware图神经网路欧泽可以做到区分二者。它融入了结点的位置信息。结点的位置能被一个low-distorsion映射铺捉到，通过计算结点到ancho-sets的距离。 结点嵌入KaTeX parse error: Expected '}', got '
Position-aware Graph Neural Networks阅读笔记
qq_41326410的博客
02-23 247
初学者读文献时，自己写的，有误勿喷啊！ Position-aware graph neural network，ICML（2019） 现状：捕捉节点的位置信息对于在图结构数据进行的预测任务是十分重要的，但是目前的GNN模型在捕捉位置信息方面存在一定的局限性，无法捕捉节点的高阶邻域信息（较远的图结构信息），同时相似的邻居结构得到的节点表示是一样的目的：本文提出P-GNNs模型，首先通过采用多个锚点集，计算目标节点与锚点集的距离，学习基于锚点集的非线性参数聚合模型来捕捉节点相对与
2019-ICML-YOU-Position-aware Graph Neural Networks-利用邻近锚点集，强化位置描
08-04
2019-ICML-YOU-Position-aware Graph Neural Networks-利用邻近锚点集，强化位置描述-rrrrr1
Character-aware convolutional neural networks for paraphrase identification
02-21
在这篇研究论文《Character-aware convolutional neural networks for paraphrase identification》中，作者探讨了字符感知卷积神经网络（Character-aware Convolutional Neural Networks, CA-CNN）在句子级别的释义...
boundary-aware-nested-ner:EMNLP 2019论文代码“用于嵌套命名实体识别的边界感知神经模型”
05-10
嵌套NER的边界感知模型的源代码EMNLP-IJCNLP 2019中我们论文``嵌套命名实体识别的边界感知模型''的实现。要求python 3 pytorch numpy gensim scikit-learn joblib资料格式我们处理后的GENIA数据集位于./data/genia ...
Position-Aware-Tagging-for-ASTE:EMNLP 2020论文“面向方面情感三元组提取的位置感知标记”的代码和模型
05-22
，2020）在AAAI 2020中发表的论文中首次提出了这一任务，该论文 例如： 给定这句话： 屏幕很大，晶莹剔透，色彩和分辨率惊人。 方面情感三元组提取（ASTE）任务的目的是预测三元组： [（'screen'，'large'，'...
CVPR2022 Image Dehazing Transformer with Transmission-Aware 3D代码
09-24
CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer ...
GNN-CS224W: 16 Position-aware and Identity-aware GNNs and Robustness of GNN
u012492756的博客
03-20 903
The GNNs so far are not perfect what should a perfect GNN do ? A perfect GNN should build an injective function between neighborhood structure (regardless of hops) and node embeddings. 根据以前讲的知识，a perfect GNN 应该满足2点： If two nodes have the same neighborhood
PACRR: A Position-Aware Neural IR Model for Relevance Matching阅读笔记
Leokb24的博客
09-16 989
文章目录模型关联匹配深度检索模型损失函数实验训练集的选取 模型 模型主要分为两部分： 关联匹配组件，将每个query-document对转变为相似矩阵； 一个深度网络，以相似矩阵作为输入，生成query-document关联分数。 关联匹配 首先利用query-document相似矩阵对query-document关联匹配进行编码。 相似矩阵利用query和document的词向量余弦距离表...
[论文笔记] 身份感知图神经网络ID-GNN
test
05-27 1412
文章目录Information摘要引言GNN的缺点研究现状本文方案贡献相关工作超越1-WL测试表达能力的图神经网络带归纳着色的图神经网络anisotropic消息传递的GNNs相关定义身份感知图神经网络ID-GNN归纳身份标记(着色)异构消息传递算法复杂性ID-GNNs 表达能力的理论研究ID-GNN比现有的GNNs更具表现能力ID-GNNs可对循环计数ID-GNNs表达能力的案例研究节点级任务：预测聚类系数边级任务:预测可达性或最短路径距离。图级：区分随机d-正则图。 Information 论文：Ide
利用主题模型提升抽取式文本自动摘要
随笔记录代码本
04-20 819
文章链接（coling-2020）：Enhancing Extractive Text Summarization with Topic-Aware Graph Neural Network 目录任务定义问题发现模型改进实验结果 任务定义 首先我们定义一下抽取式文本自动摘要。抽取式文本自动摘要就是直接从原文中抽取 重要的、相关的 句子，重新组合形成摘要。我们可以形式化的将其分化为三个子任务： 对文章的每个句子编码，用于后续句子相关性和重要性的打分。 建模句子关系，对句子赋予全局信息 抽取并重新组合句子。摘
Graph Neural Networks图神经网络(一)
Joselynzhao
04-12 2779
Author: Nihai V. Nayak (March 2020) Graph Neural Networks图神经网络01 Introduction02 Basics03 Learning on Graphs03.1 Formal Definition04 Graph Convolutional Networks （GCN）04.1 Aggregate04.2 Combine05 Gr...
【论文笔记】PARN: Position-Aware Relation Networks for Few-Shot Learning
Neal_YG的博客
03-07 1538
【title】PARN: Position-Aware Relation Networks for Few-Shot Learning 【link】https://arxiv.org/pdf/1909.04332.pdf 【key words】Few-shot Learning Problem 对于人类来说，可以通过已经掌握的知识，快速学会判别新东西。然而现在的深度学习算法往往时数据驱...
论文阅读笔记《PARN: Position-Aware Relation Networks for Few-Shot Learning》
深视
08-22 1901
小样本学习&元学习经典论文整理||持续更新 核心思想   本文提出一种基于度量学习的小样本学习算法（PARN）。本文是对于Relation Network进行改进，作者认为普通的CNN特征提取网络只会在目标对象所在的位置具有较高的相应，如果支持集中的图像和查询集中的图像，其目标物体不在相同的位置时，其得到的特征图就不能很好的对应了。比如支持集图像中的目标物体在(x1,y1)(x_1,y_1)(x1​,y1​)处，而查询集图像对应的目标物体在(x2,y2)(x_2,y_2)(x2​,y2​)处，在计算
hierarchical layout-aware graph convolutional network for unified aesthetics
04-29
Hierarchical Layout-Aware Graph Convolutional Network for Unified Aesthetics（层次感知布局的图卷积神经网络结合美学统一）是一种新的美学研究方法，它结合了层次布局和图卷积神经网络。 这种方法主要是为了解决美学研究中的难点问题，比如如何将视觉元素统一成一个整体，如何处理复杂的结构层次，如何为不同的美学领域提供有效的智能搜索引擎等等。该方法可以根据视觉的颜色，形状，纹理等特征，为图像提供一种更加有层次感和整体性的展示方式，从而使得美学研究更加有效和可靠。 该方法的关键在于研发了一种新的图卷积神经网络结构，它可以有效地捕捉图像中的结构信息和分层布局，从而在传统的神经网络中具有更小的结构参数和更好的卷积效果。除此之外，该网络还具有多级结构，可以根据不同的美学范畴进行专业化的训练，也可以结合人类视觉感知进行相关研究。 总之，Hierarchical Layout-Aware Graph Convolutional Network for Unified Aesthetics创新性地应用了图卷积神经网络和层次化布局思想，在美学研究方面具有重要的应用价值。
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