GNN 2021(十) GRAPH EDIT NETWORKS，ICLR

最新推荐文章于 2024-01-02 07:43:55 发布
最新推荐文章于 2024-01-02 07:43:55 发布
阅读量328 收藏 1
点赞数 2
分类专栏： 图神经网络2021 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/116203606
版权
本文提出Graph Edit Network (GEN)，一种能将图结构输入转换为图结构输出的方法。GEN基于图编辑距离概念，通过局部binary编辑决策和节点属性回归，学习编辑脚本，实现图的转换。文章详细介绍了GEN的网络结构、训练和推理过程，并提供了理论证明。实验展示了GEN在图转换任务上的有效性。
摘要由CSDN通过智能技术生成

在这里插入图片描述
本篇略读，一些定理证明可以参考原文，毕竟34页从头到尾读一遍可得脱层皮。

INTRODUCTION

尽管图神经网络已经在节点分类或是图分类任务中得到了广泛的研究，但是迄今为止很少有方法可以将图结构的输入转换为图结构的输出。因为在图上进行时间序列预测需要图结构的输出，特别是时间序列中的下一个图。
本文基于edit distances（描述两个图之间的任何变化）的概念，提出了graph edit network (GEN)。开发了一个通用的训练和推理方案，仅使用局部binary编辑决策（这个很玄乎的名词看后文就能明白了）和节点属性回归将任意图 G t G_t

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
  • 1
    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
GNN 2021(四) Learning to Drop: Robust Graph Neural Network via Topological Denoising，WSDM
qq_36618444的博客
04-16 1057
提出一种参数化的拓扑去噪网络PTDNet，通过学习删除与任务无关的边缘来提高GNNs的鲁棒性和泛化性能。对于删除/增加边而提升网络性能操作，已经有很多了。PTDNet通过参数化网络惩罚稀疏图中与任务无关的边的数量来修剪。考虑到整个图的拓扑结构，采用核范数正则化对生成的稀疏图施加低秩约束，从而得到更好的泛化（换成简单的话就是，可以通过添加正则化项提升准确率）。PTDNet可以作为GNN模型的关键组件，提高其在各种任务上的性能，如节点分类和链路预测（换句话说就是可以与基线GNN模型结合）。对合成数据集和基准数.
ICLR2021-1：MULTI-HOP ATTENTION GRAPH NEURAL NETWORKS
qq_36618444的博客
10-29 2159
GAT的注意机制并没有考虑到非直接连接但提供重要网络上下文的节点，这可能会导致预测性能的提高。因此本文的作者提出了Multi-hop Attention Graph Neural Network (MAGNA)，将多跳上下文信息纳入注意力计算的原则方法，使GNN的每一层都能进行远程交互。为了计算非直接连接的节点之间的注意力，MAGNA将注意力分数分散到整个网络中，从而增加了GNN每一层的感受域。这样，网络聚合的信息增加，并且有注意力参数作为特征选择的指导。从理论上来说，3层每层6step的MAGNA和3×6
ICLR 2021上与【图神经网络（GNN）】相关的论文（五篇）
02-28
本文发现基于图神经网络（Graph Neural Networks，GNN）相关的接受paper非常多，图神经网络这几年方法的研究，以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。
全方位复盘GNN，12位大神寄望2021年大爆发
BAAIBeijing的博客
01-07 1496
作者：Michael Bronstein编译：李梦佳，贾伟近段时间，图神经网络（GNN）作为机器学习最热门的领域之一，唱盛有之，唱衰也不少。就在前两天，一位数据科学家发表了一篇题为“为...
ICLR2021 | 初探GNN的表示能力
weixin_45519842的博客
04-30 600
论文标题：EXPRESSIVE POWER OF INVARIANT AND EQUIVARIANT GRAPH NEURAL NETWORKS论文地址：https://arxiv.org...
GNN2021(二十) DIRECTED ACYCLIC GRAPH NEURAL NETWORKS，ICLR2021
qq_36618444的博客
01-08 957
无环有向图的图神经网络
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 6万+
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。
GNN 2021(三) Boost then Convolve: Gradient Boosting Meets Graph Neural Networks,ICLR
qq_36618444的博客
03-11 534
文章目录GBDT提升树Method实验 如题目所写，本文将梯度提升决策树gradient boosted decision trees (GBDT)与GNN结合起来，构建了一个端到端的模型，应用于tabular数据。 GBDT 论文里指出，梯度提升的核心思想是通过迭代添加弱模型(通常是决策树)来构建强模型。形式上，在梯度增强算法的每一次迭代ttt中，模型f(x)f(x)f(x)都以加性的方式更新: 其中ft−1f^{t-1}ft−1是在之前的迭代中构建的模型，hth^tht代表弱学习器，ϵ\epsilo.
GNN 2021(一) AdaGCN: Adaboosting Graph Convolutional Networks into Deep Models，ICLR
qq_36618444的博客
03-07 2453
目录AdaboostADAGCNCOMPARISON WITH EXISTING METHODSEXPERIMENTS 本文在GCN中首次引入了AdaBoost方法，提出了AdaGCN模型。与其他直接堆叠多个图卷积层的图神经网络不同，AdaGCN在所有层之间共享相同的基神经网络架构，并进行递归优化，类似于RNN。此外，还从理论上建立了AdaGCN与现有图卷积方法之间的联系，展示了本的方案的优点。 本文认为构建深度图模型的一个关键方向在于对来自不同邻域的信息进行高效的探索和有效的组合，单纯的多次聚合会导致深.
GraphGallery:GraphGallery是一个使用TensorFlow 2.x和PyTorch后端对Graph Neural Networks（GNN）和Graph Adversarial Learning进行基准测试的画廊
04-04
GraphGallery是一个用于使用和后端对Graph Neural Networks（GNN）和Graph Adversarial Learning进行基准测试的画廊。 此外， 现在提供了Pytorch 后端和后端。 :dashing_away: 消息 我们已经在该项目中集成了对抗...
步入2021，大热的GNN会在哪些应用领域大展拳脚呢？
Paper weekly
01-24 604
作者｜Sergei Ivanov来源｜机器之心由于 GNN 在图节点之间强大的建模功能，使得与图分析相关的研究领域取得了突破。本文我们将介绍关于 GNN 热门应用研究。近年来，由于图结...
AAAI2021 | 最新图神经网络研究进展解读
zenRRan的博客
02-20 2872
点击上方，选择星标，每天给你送干货！整理：北邮 Gamma LabAAAI 的英文全称是 Association for the Advance of Artificial Intelli...
论文笔记-DIRECT MULTI-HOP ATTENTION BASED GRAPH NEURAL NETWORKS
test
04-08 2526
论文标题：DIRECT MULTI-HOP ATTENTION BASED GRAPH NEURAL NETWORKS 论文链接： 摘要 在图神经网络（GNN）中引入自注意力机制（self-attention）可以实现图表示学习的最先进（state-of-the-ar）性能。 然而自注意力机制仅在两个相互连接的节点之间进行计算，且图表示仅取决于两个相互连接节点。 自注意力机制缺点为： 这种注意力计算不能考虑提供了图结构上下文信息的多跳邻居（跳数大于等于2的邻居）对节点表示学习的影响。 这篇论文提出了用于图
动态规划之编辑距离（Edit Distance）
K.Sun
10-15 1899
原文地址：Dynamic Programming | Set 5 (Edit Distance) 已知两个字符串str1与str2，str1可以用下面的操作。得到最小的编辑数使得str1转变为str2。 a）insert b）remove c）replace 以上所有的操作成本是一样的。例子：Input: str1 = "geek", str2 = "gesek" Output: 1
AAAI 2021论文：Graph Diffusion Network提升交通流量预测精度（附论文下载）
李瑞远-时空数据
01-20 1705
城市流量预测作为智能交通中的一个重要问题，致力于精确预测城市中不同区域的流量信息，从而更好地实现区域间的流量管控、拥塞控制以及保障城市公共安全。本文将介绍一种基于时空图扩散网络的城市交通流量预测模型。本文工作是由京东数科硅谷研发实验室，京东城市和华南理工大学合作的一篇论文《TrafficFlow Forecasting with Spatial-Temporal Graph Diffusion Network》，目前该论文已经被人工智能领域的顶级会议AAAI 2021（CCF A类）接收。 ...
准备好了吗？GNN 图神经网络 2021 年的5大应用热点
喜欢打酱油的老鸟
02-25 1052
今年开始。图神经网络（Graph Neural Networks）成为研究者讨论的焦点，作为该领域的研究人员，我甚是欣慰。记得大概三年前，图神经网络那时还受到冷落，当我和研究GAN和Transformers的同行交流时，他们认为我的研究方向极其小众。到了现在，这个领域终于守得云开见月明。因此，我将在本文向大家介绍最近的GNNs应用热点。 推荐系统 在电子商务平台中，用户与产品的交互构成图结构，因此许多公司使用图神经网络进行产品推荐。典型的做法是对用户和商品的交互关系进行建模，然后通过某种负采样损失学..
PAMI-2021：5篇顶级GNN论文
weixin_45519842的博客
05-13 7317
PAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence），IEEE模式分析与机器智能汇刊，简称PAMI，是I...
【论文知识点笔记】GNN流程到GCN流程
Edward的博客
01-03 2086
GNN流程（聚合、更新、循环）举例：输入一个简单的图结构聚合操作更新操作循环操作（多层更新操作）目的 简单粗暴快速理解GNN 举例：输入一个简单的图结构 聚合操作 经过一次聚合后：聚合到的信息： 邻居信息N=a∗(2,2,2,2,2)+b∗(3,3,3,3,3)+c∗(4,4,4,4,4) 邻居信息N = a*(2,2,2,2,2)+b*(3,3,3,3,3)+c*(4,4,4,4,4) 邻居信息N=a∗(2,2,2,2,2)+b∗(3,3,3,3,3)+c∗(4,4,4,4,4) a、b、c
DirectShow中的工具GraphEdit使用小结
dijkstar的专栏
04-10 8682
一. 安装完Windows SDK 7.0或7.1后，在C:\Program Files\Microsoft SDKs\Windows\v7.0\Bin下有32位的graphedt.exe，及x64目录下有64位版本的graphedt.exe，当使用任何一个版本不正常的行为时，换成另一个版本试试； 二. 在Win7下，GraphEdit的【Connect To Remote Graph】
RED-GNN，即Relation Extraction and Distribution Learning with Graph Neural Networks
04-30
RED-GNN是一种基于图神经网络的关系抽取方法，能够自动地从文本数据中识别实体之间的语义关系。RED-GNN的核心思想是将文本数据表示成一个图，其中实体作为节点，实体之间的关系作为边，然后采用图神经网络对这个图进行处理，最终得到实体之间的关系。与传统的关系抽取方法相比，RED-GNN不需要手动设计特征，能够自适应地学习实体之间的语义关系，并且在多个数据集上都取得了优秀的效果。
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