前言
本文将学习资料分为论文、视频、课件、博客和用于实践的库,共5类。零基础玩家推荐先看博客有一个简单的认识,然后看视频或课件对课题有一个宏观的把握,针对论文可以看两篇经典的综述文章然后泛读自己领域相关的前沿知识,实践库就自己边学边玩嘛。
论文类
- GNN Paper List
- 清华大学实验室给出的有关GNN综述、模型、应用的优秀论文列表
视频类
- Stanford 图网络机器学习
- 课程主页网址:http://web.stanford.edu/class/cs224w/
- 总时长约24小时,
- 内容:网络结构具有现实意义,通过学习网络中潜在的结构和互连,向学生介绍了机器学习技术和数据挖掘工具。
- 主题:食物网的健壮性和脆弱性,万维网的算法,图神经网络和表示学习,生物网络中的识别模块,疾病爆发检测
- 图神经网络相关理论及主要模型介绍
- 台大李宏毅老师助教讲解GNN图神经网络相关理论,以及主要网络模型介绍。
课件类
- Graph Neural Networks: Models and Applications
- 课件在上面链接中可以找到,含305页PPT
- 课件包含:引言、基础理论、模型与应用
博客类
- 什么是图神经网络
- 介绍图的相关概念:邻接矩阵,属性图(节点和边都带有属性)
- GNN的概念:将图数据与神经网络结合,在图数据上进行端对端的计算
- 计算机制:聚合邻居。比如基础的全连接,用特征矩阵、权重矩阵以及邻接矩阵相乘,再加上非线性变换。 H = σ ( A X W ) H=\sigma(AXW) H=σ(AXW)
- 适用数据:可以用图结构(节点+关系)表示的数据,如社交网络、电商推荐、交通网络、化学分子、3D点云
- 强大能力
- 对图数据进行端对端学习
- 擅长推理
- 可解释性强
- 应用领域
- CV
- NLP
- 生物医疗
- 推荐系统
- 风险控制
- GNN综述
- 是对论文A comprehensive Survey on Graph Neural Network的翻译与笔记
- 空域与谱域的比较
- 空域:
- 谱域:
- 在效率、通用性、灵活性上的差异:
- 模型
- 图卷积网络:将卷积运算从传统数据推广到图结构数据
- 图注意力网络:基于空间,将注意力机制用于确定节点邻域的权重
- 图自编码器:属于图嵌入方法,将图顶点表示为低维向量
- 图生成网络:在给定一组观察到的图的情况下生成新的图
- 图时空网络:捕获时空图的时空相关性
- GNN简介和入门资料
- 图的组成、描述、翻译,生活中常见图结构
- 图结构利用的两种范式:图神经网络、图嵌入
- 传统图的任务
- 谱域和空域模型的介绍
- GNN-图神经网络基础内容概述
- 什么是图神经网络、前向传播过程、消息嵌入汇总
实践类
- 在深度学习中使用图卷积网络
- 介绍了在python中逐步搭建一个简单的图卷积网络用于分类。
- DGL-Python package
- 介绍了一个基于现有DL框架,轻松实现图神经网络模型的库。
- Graph Nets Library
- 基于tensorflow的一个用于创建图神经网络的深度学习库
- pytorch_geometric
- Pytorch的几何深度学习扩展库