GCN 图卷积网络

最新推荐文章于 2024-06-30 16:31:42 发布
最新推荐文章于 2024-06-30 16:31:42 发布
阅读量2k 收藏
点赞数
分类专栏： 图学习 文章标签： 人工智能
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_44457948/article/details/124436759
版权

GCN是在GNN的基础上进化的，主要是对其聚合过程进行了改进。

之前计算邻居信息的时候的 a,b,c 不好确定，于是GCN想要根据图中的特定信息来确定 a,b,c。

最简单的是“平均法”，也就是把周围的邻居的特征以及自己特征求平均值，作为更新后的特征。

这种做法过于简单粗暴，会在某些情况中不切实际（我和偶像、我和马云的钱不可能平均）。

于是，GCN提出了以结点的度为依据来求边权重的思想，一个结点的度越大，其与其他结点所连边的权重也就越小。

平均法的聚合公式如下：

其中，A(i，j)是固定值。

而 GCN 的聚合公式如下：

在后一个公式可以看到度对边权重所造成的影响。

参考资料

1、简单粗暴理解 GCN

简单粗暴带你理解GCN图卷积神经网络_哔哩哔哩_bilibili

xiao_kong_long_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图卷积网络（GCN）
sinat_41942180的博客
01-23 2016
这是在GCN领域最经典的论文之一。我们可以根据这个GCN的图看到，一个拥有C个input channel的graph作为输入，经过中间的hidden layers，得到F个 output channel的输出。（注意本文讲的图都特指无向无权重的图。论文中采用的函数如下：刚开始看的时候，都会被吓到！这个函数未免也太抽象了。但是我们先了解一下它在起的作用，然后再从头一步一步引出这个公式，以及为什么它起到了这些作用。
图卷积网络 GCN 综述
Pumpkin_DAYTOY
04-22 1738
文献题目：Semi-Supervised Classification with Graph Convolutional Networks 文献来源：ICLR 2017 原文链接：https://arxiv.org/abs/1609.02907 参考笔记 GCN 理论：https://blog.csdn.net/weixin_36474809/article/details/89316439...
GCN理论笔记
qq_50361407的博客
06-28 458
无穷的远方，无数的人门，都和我有关。
GCN原理的直观解释
qq_20805805的博客
05-17 2812
本文为学习笔记，整理了自己对GCN的直观理解帮助记忆，不涉及过多数学知识，若有错误和理解不到位的地方请原谅和指正。 GCN的核心公式 f(H(l),A)=σ(D^−12A^D^−12H(l)W(l)) f(H^{(l)}, A) = \sigma\left( \hat{D}^{-\frac{1}{2}}\hat{A}\hat{D}^{-\frac{1}{2}}H^{(l)}W^{(l)}\right) f(H(l),A)=σ(D^−21​A^D^−21​H(l)W(l)) 其中，AAA为邻接矩阵，A^=A+
图神经网络（二）GCN的性质（4）GCN的问题——过平滑
weixin_43360025的博客
04-16 1423
图神经网络（二）GCN的性质（4）GCN的问题——过平滑1. 频域视角  引文 [7] [8] 都指出了GCN模型无法像视觉任务中的CNN模型一样堆叠很深，一旦使用多层GCN进行学习，相关的任务效果就会急剧下降。这使得在某些场景中，GCN的学习能力将非常有限。  在引文 [1] 中，作者在Cora数据集上做了一个实验，直观地展示了多层GCN所遇到的这个问题，如图2-11所示。 图2-11 GCN效果随层数增加而发生的变化  图2-11是Cora数据集分别经过一个1至5层的GCN节点的表示向量的散点图，数据的
cs224w-图机器学习-2021冬季课程学习笔记-09 Theory of Graph Neural Networks
weixin_43963453的博客
08-27 267
Theory of Graph Neural Networks一、How Expressive are Graph Neural Networks?1.local neighborhood structures二、Designing the Most Powerful Graph Neural Network1.GCN的聚合操作2.GraphSAGE3.本节小结4.设计一个满足单射性质的NN三、本章总结1.The power of pooling2.还能提升表示力吗？ 一、How Expressive ar
GCN-图卷积神经网络算法讲解（通俗版）
热门推荐
weixin_50706330的博客
10-24 2万+
GCN-图卷积神经网络算法讲解（通俗版）
GCN图卷积网络的理解.docx
06-30
"GCN图卷积网络的理解" 从文件的标题、描述、标签和部分内容中，我们可以看到，这篇文章主要介绍了图卷积网络（Graph Convolutional Networks，GCN）的理解，包括图信号与图的拉普拉斯矩阵、傅里叶变换、图傅里叶...
keras-gcn:图卷积网络的Keras实现
04-29
使用Keras对图进行深度学习基于Keras的图卷积网络的半监督分类实现。 Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 注意：此代码无意...
STGCN图卷积神经网络.pdf
05-28
STGCN图卷积神经网络
T-GCN（图卷积神经网络-交通流预测）（代码）.zip
01-09
图卷积神经网络-交通流预测 Temporal Graph Convolutional Network
st-gcn时空图卷积神经网络
12-11
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。
通俗易懂的GCN原理讲解
qq_50595984的博客
10-17 6779
GCN，图卷积，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类、图分类、边预测，还可以顺便得到图的嵌入表示（graph embedding），可见用途广泛。
欣小白的点滴 ——图卷积网络（GCN）
xinsunny的博客
09-26 5667
一.基础内容。 1.邻接矩阵 邻接矩阵表示顶点间关系，是n阶方阵（n为顶点数量）。邻接矩阵分为有向图邻接矩阵和无向图邻接矩阵。无向图邻接矩阵是对称矩阵，而有向图的邻接矩阵不一定对称。 2.度矩阵 度矩阵是对角阵，对角上的元素为各个顶点的度。顶点vi的度表示和该顶点相关联的边的数量。无向图中顶点vi的度d(vi)=N(i)。 有向图中，顶点vi的度分为顶点vi的出度和入度，即从顶点vi出去的有向边的数量和进入顶点vi的有向边的数量。 3.特征矩阵 特征矩阵是设 A 是n阶方阵，如果存在数m和非零n维列向
图卷积网络详细介绍（一）
Javy Wang
11-09 1万+
在图上进行机器学习是一项困难的任务，因为它的复杂性很高，同时也是由于信息丰富的图结构。这篇文章是关于如何用图卷积网络(GCNs)对图进行深度学习的系列文章中的第一篇。本文翻译自Tobias Skovgaard Jepsen写在Medium上的介绍文章，已经获得其本人的许可。
GCN学习记录
qq_43605392的博客
01-03 856
GCN学习记录
图神经网络 | (7) 如何理解Graph Convolutional Network（GCN）
sdu_hao的博客
02-07 4043
原文地址 今天起床时，发现这篇关于GCN的文章讲的不错，通俗易懂，为了更一步加深对GCN的理解，所以特此把它整理在图神经网络专栏中(编不下去了，其实是今天不想继续学习，就简单整理一些东西吧，至少良心不会痛。我发誓以后一定要早睡早起，哭唧唧......)。 傅里叶变换是论文中采用的比较正统的思路（谱域）。不过这些视角对于新人来说可能没那么好理解，空域（不进行傅里叶变换，直接利用相邻节点求卷积）角...
GCN图卷积网络 | 介绍
Yanir的博客
02-25 3983
0 前言 通常，将GCN分为基于空间域spatial-based和基于谱域spectral-based."所谓的两类其实就是从两个不同的角度理解"[4]，这也是我对两类的理解，因为从公式上看并没有较大区别，只是细节和适用场景不同，比如，图是否有向等。 基于空间域的GCN关键在有aggregate的概念，将中心节点表示和相邻节点表示进行聚合，具体实现是用neighbor feature更新下一层的hidden state。代表模型有：NN4G(neural network for graph)、DCNN.
PyTorch读写模型（state_dict、torch.save、torch.load）
最新发布
酒酿小圆子呀～
06-30 130
在PyTorch中，state_dict 是一个简单的python的字典对象，将每一层与它的对应参数建立映射关系。(如model的每一层的weights及bias等)注意：只有具有可学习参数的层(卷积层、线性层等)才有state_dict中的条目。优化器(optim)也有一个state_dict，其中包含关于优化器状态以及所使用的超参数的信息。
GCN图卷积神经网络
09-11
GCN图卷积神经网络是一种特征提取器，它的作用和卷积神经网络CNN类似，不过GCN的对象是图数据。它通过精妙的设计方法，从图数据中提取特征，使我们能够对图数据进行节点分类、图分类、边预测，并得到图的嵌入表示。...

“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
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