gNN
qq_44569072
这个作者很懒,什么都没留下…
展开
-
PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK
Motivation传统GCN在节点分类中达到了不错的效果,但只能在将层数限制在2-3层,加深层数会导致两个问题:(1)、出现过平滑现象:即最后所有节点趋向同一个值。(2)、随着层数的加深,参数量也呈指数级增长。但是试验表明,一般要将层数达到4-5层才能使才能覆盖所有的节点。为了解决这个问题,引进了PageRank方法。问题一由于PageRand方法可能陷入“陷阱问题”和“终止问题”...原创 2019-11-02 21:48:14 · 1851 阅读 · 0 评论 -
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS学习笔记
图卷积的理论基础理论参考GCN基于频域的方法,空域方法见graphsage图拉普拉斯矩阵定义:L = D - A对称L的标准化:L=D−1/2LD−1/2L=D^{-1/2}LD^{-1/2}L=D−1/2LD−1/2非对称L的标准化:L=D−1LL=D^{-1}LL=D−1L傅里叶变换傅里叶卷积傅里叶卷积可以表示为:f∗g=F−1{F{f}⋅F{g}}f*g=F^{-1}\l...原创 2019-08-15 21:30:32 · 489 阅读 · 0 评论 -
GRAH ATTENTION NETWORKS
GCN简介GCN回顾GAT文章主要是为了解决GCN需要已知整个图才能训练的缺陷而产生。GAT的实现过程1、特征提取与GCN基本相同import numpy as npimport scipy.sparse as spimport torchdef encode_onehot(labels): classes = set(labels) classes_dict...原创 2019-09-05 20:50:53 · 775 阅读 · 0 评论