GNN笔记：消息传播模型

已于 2022-06-29 11:08:20 修改
阅读量640 收藏 1
点赞数
分类专栏： GNN 文章标签： GNN
于 2022-06-28 15:58:05 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/qq_40206371/article/details/125503962
版权

 中心节点 聚合邻居节点的信息，更新自己的表示

  • h_i^{(l)} ——第l轮的中心节点i的表示
  • h_j^{(l)}——中心节点i的邻居j，在第l轮的表示
  • e_{i,j}——节点i，j连边的信息
  • M^{(l+1)}——一个神经网络
  • N(v_i)——中心节点i的邻居

step 1的结果是，整合了l-hop邻居信息之后的embedding

step 2的结果是，整合了step1的结果，和中心节点自身的表示之后，更新了的i的表示

UQI-LIUWJ
关注
  • 0
    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
GNN_branching:实施GNN ReLU分支策略
05-22
用于神经网络验证的神经网络分支 该存储库包含复制论文中报告的实验所需的所有代码：“ 。 依存关系 此代码应适用于python> = 3.6和pytorch> = 0.4.1。 对于求解由网络线性逼近和MIP公式的Integer程序引起的LP，需要商业求解器 。 Gurobi可以从获得，学术许可也可以从。 我们已经在文件夹./convex_adversaria/中包含了github软件包的修改版本。 github软件包用于计算中间界限，这对于构建用于网络线性逼近的LP来说是必需的。 我们会稍微修改原始版本./convex_adversarial，以最好地适应我们的需求。 ./plnn/是基于github包提供的Branch和Bound方法的原始实现开发的。 我们还直接用于求解提供的MIPplanet 。 安装 我们建议将所有内容都安装到虚拟环境中。 根据您配置环境的方式，您可能需要安
ZNN_GNN_Comparison:ZNN模型与GNN时变矩阵求逆的比较-matlab开发
05-29
在这个 Simulink 文件中，我们将 ZNN 模型与 GNN 模型进行了时变矩阵求逆的比较
cg-gnn训练模型，
01-20
cg-gnn训练模型，
GNN模型系列（一）——Vanilla GNNs
Mortal's blog
04-10 6080
1. Introduction 图是一种由对象（节点）和关系（边）组成的数据结构。图结构可以作为社交网络、神经科学、物理系统、知识图谱以及其他领域。作为典型的非欧式空间中的数据，图结构模型可以归类为：节点分类、边的预测以及整体聚类三大类。 节点层面的任务 节点层面的任务主要包括分类任务和回归任务，这类任务虽然是对节点层面的性质进行预测，但是需要考虑节点的关系。 应用场景：对论文引用网络的论文节点...
GNN总结
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
05-05 1531
原文地址 目录 1. 图网络的分类 2. 卷积  3. 图卷积 4. 图卷积的通式 5. 参考文献 1. 图网络的分类 在最开始，我们先梳理一下经常被提到的几个术语的区别和联系，也就...
【GNN】可视化详解图卷积和消息传递理论
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
03-22 1269
目录 简介 图卷积 消息传递 一个实际的例子 总结 简介 本文中将研究如何基于消息传递机制构建图卷积神经网络，并创建一个模型来对具有嵌入可视化的分子进行分类。 假设现在需要设计治疗某些疾病的药物。有一个其中包含成功治疗疾病的药物和不起作用的药物数据集，现在需要设计一种新药，并且想知道它是否可以治疗这种疾病。如果可以创建一个有意义的药物表示，就可以训练一个分类器来预测它是否对疾病治疗有用。我们的药物是分子式，可以用图表表示。该图的节点是原子。也可以用特征向量 x 来描述原子（它可以
PyG教程(5)：剖析GNN中的消息传播机制
LW的技术小筑
06-16 2044
众所周知，图神经网络可以从空域或谱域来对其进行研究。其中，空域角度主要借助消息传播机制来构建GNN。本文主要介绍的是消息传递机制，为下篇文章具体介绍PyG中是如何实现消息传播机制做好铺垫。...
CNN已老，GNN来了：重磅论文讲述深度学习的因果推理（附资源）
热门推荐
THU数据派
06-19 3万+
来源：新智元本文共4263字，建议阅读8分钟。本文讲述了DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”（Graph network），将...
图神经网络（GNN）的基本原理
KI的博客
12-21 1万+
图神经网络（GNN）的基本原理
【GNN】MPNN：消息传递神经网络
zenRRan的博客
04-11 6475
今天学习的是谷歌大脑的同学 2017 年的工作《Neural Message Passing for Quantum Chemistry》，也就是我们经常提到的消息传递神经网络（Mess...
Finegrained_GNN:远离这个
04-02
Fine_grained_GNN 保存防丢
Point-GNN:点神经网络
03-20
title = {Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2020} }...
gnn_framework:GNN的C ++框架
04-10
混合GNN训练框架 安装 要求 C ++ 14 CUDA> = 11.0 联合会 古巴 CUSPARSE 梅蒂斯 从源代码构建 做配置python configure.py 构建全部-j 如何使用 数据集 混合GNN训练框架在COO表示中使用图形数据集。 您可以使用...
PM2.5-GNN:PM2.5-GNN
05-09
PM2.5-GNN：用于PM2.5预测的领域知识增强图神经网络 数据集 下载从数据集KnowAir或与代码ni44 。 要求 Python 3.7.3 PyTorch 1.7.0 PyG: https://github.com/rusty1s/pytorch_geometric#pytorch-170 pip install -r...
himp-gnn:用于学习分子图的分层消息间传递
05-30
用于学习分子图的分层消息间传递 这是用于学习分子图的分层消息间传递的 PyTorch 实现，如我们的论文中所述： Matthias Fey、Jan-Gin Yuen、Frank Weichert：(GRL+ 2020) 要求 (>=1.4.0) (>=1.5.0) (>=1.1.0) ...
GNN-2008：Original GNN【消息传递（前向传播）：聚合函数+更新函数+输出函数】【核心：不动点理论】【梯度优化：用Almeida-Pineda算法，而不是用BPTT(反向传播)算法】
u013250861的博客
10-31 926
GNN-2008：Original GNN【消息传递（前向传播）：聚合函数+更新函数+输出函数】【核心：不动点理论】【梯度优化：用Almeida-Pineda算法，而不是用BPTT(反向传播)算法】
GNN-2-消息传递图神经网络
qq_36744449的博客
06-19 520
参考开源学习地址：datawhale 1. 消息传递范式介绍 消息传递范式是一种聚合邻接节点信息来更新中心节点信息的范式，它将卷积算子推广到了不规则数据领域，实现了图与神经网络的连接。 该范式包含这样三个步骤：(1)邻接节点信息变换、(2)邻接节点信息聚合到中心节点、(3)聚合信息变换。 因为简单且强大的特性，消息传递范式现被人们广泛地使用。基于此范式，我们可以定义聚合邻接节点信息来生成中心节点表征的图神经网络。 在PyG中，MessagePassing基类是所有基于消息传递范式的图神经网络的基类，它大大
消息传递图神经网络
qq_39768856的博客
06-19 328
消息传递范式 是一种聚合邻接节点信息来更新中心节点信息的范式 (1)邻接节点信息变换、(2)邻接节点信息聚合到中心节点、(3)聚合信息变换 用xi(k−1)∈RF\mathbf{x}^{(k-1)}_i\in\mathbb{R}^Fxi(k−1)​∈RF表示(k−1)(k-1)(k−1)层中节点iii的节点特征，ej,i∈RD\mathbf{e}_{j,i} \in \mathbb{R}^Dej,i​∈RD 表示从节点jjj到节点iii的边的特征，消息传递图神经网络可以描述为 xi(k)=γ(k)(xi(k
Pytorch中GNN的基类torch_geometric.nn.conv.MessagePassing
lmb09122508的博客
12-11 4642
MessagePassing是torch_geometric中GNN模型的基类，实现了下面的消息传递公式 要继承这个类，需要复写三个函数： propagate(edge_index, size=None) message() 消息传递分两种方式，默认的是source_to_target update() 其中propagate在执行的过程中会调用message和update ...
gnn捆绑推荐推荐系统模型
最新发布
10-11
GNN捆绑推荐推荐系统模型是一种基于图神经网络的推荐系统模型，它将用户、物品和交互行为建模为一个图结构，并通过图神经网络对图中节点和边进行表示学习和特征提取，从而实现推荐任务。 该模型的核心思想是将用户、物品和交互行为看作图中的节点，将它们之间的关系看作图中的边，然后通过图神经网络对节点和边进行表示学习和特征提取。具体来说，该模型包括以下几个步骤： 1. 构建图结构：将用户、物品和交互行为构建成一个图结构，其中节点表示用户、物品和交互行为，边表示它们之间的关系。 2. 节点表示学习：通过图神经网络对节点进行表示学习，得到每个节点的向量表示，表示该节点的特征。 3. 边表示学习：通过图神经网络对边进行表示学习，得到每条边的向量表示，表示该边的特征。 4. 推荐计算：根据节点和边的特征，计算用户对物品的兴趣度，并进行推荐。 GNN捆绑推荐推荐系统模型具有以下优点： 1. 能够充分利用用户、物品和交互行为之间的关系，提高推荐效果。 2. 能够处理稀疏数据，适用于大规模推荐系统。 3. 能够自适应地学习节点和边的特征，适用于不同类型的推荐任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

UQI-LIUWJ

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