Spectral Networks and Deep Locally Connected Networks on Graphs

最新推荐文章于 2022-12-25 10:30:52 发布
VIP文章 最新推荐文章于 2022-12-25 10:30:52 发布
阅读量577 收藏 4
点赞数 1
分类专栏： 图网络 文章标签： 卷积
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_45312141/article/details/106599146
版权

Spectral Networks and Deep Locally Connected Networks on Graphs

空域构建（Spatial Construction）

在这里插入图片描述

深度局部连接网络

在这里插入图片描述
在这里插入图片描述

多层空域卷积

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

d e e p   l o c a l l y   c o n n e c t   n e t w o r k （ s p a t i a l   c o n s t r u c t i o n 从 空 间 角 度 去 建 立 ） deep\ locally\ connect \ network（spatial \ construction从空间角度去建立） deep locally connect network（spatial construction从空间角度去建立）

l o c a l l y locally locally 体现在 只取每个节点前 k k k个 n e i g h b o r h o o d s neighborhoods neighborhoods。
c o n n e c t connect connect体现在，每层与每层之间的神经元数目是通过聚类而成，将上一层的聚类结果对应为下一层的神经元。如下图所示：
在这里插入图片描述

在这里插入图片描述
这里 x i x_i xi​作为每层的输入。 Ω Ω Ω表示第几层，灰色的为第一层节点 12 12 12个，聚类后生成第二层节点 6 6 6个，最后一层节点 3 3 3个。
其中 Ω 0 Ω_0 Ω0​只有一个 f e a t u r e feature feature， Ω 1 Ω_1 Ω1​有 4 4 4个 f e a t u r e feature feature， Ω 2 Ω_2 Ω2​有 6 6 6个 f e a t u r e feature f

最低0.47元/天 解锁文章
怕狗子的福哥
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Learning Deep and Wide: A Spectral Method for Learning Deep Networks
08-05
提出了多光谱神经网络（MSNN）来学习多列深度神经网络的特征，并将倒数第二层次判别流形嵌入到紧凑的表示中。
【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）
cziun的博客
07-12 1129
【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）摘要1 引言2 空间结构2.1 节点的邻域2.2 图的多分辨率分析2.3 深度局部连接网络 摘要 卷积神经网络在图片和音频的识别任务中表现良好，是充分利用了信号在其域中的局部平移不变性。但由于图是非欧氏空间的数据结构无法进行传统意义上的卷积操作，同时又希望卷积的思想可以应用在图结构上。于是作者基于此提出了两种结构，一种基于域的层次聚类(空
Spectral Networks and Deep Locally Connected Networks on Graphs翻译
WangKingJ的博客
02-12 799
Aabstract   卷积神经网络在图像和音频识别任务中是非常有效的架构，因为它能够利用信号类在其域中的局部平移不变性。在本文中，我们考虑在没有平移作用的情况下，CNNs可以推广到一般 域上定义的信号. 特别地，我们提出了两种结构，一种基于域的层次聚类，另一种基于图拉普拉斯谱。我们通过实验证明，对于低维图，学习卷积层是可能的，它有许多与输入大小无关的参数，从而得到高效的深度架构。 1 Intro...
论文笔记：Spectral Networks and Deep Locally Connected Networks on Graphs
Zhou_Dao的博客
06-04 5644
这篇论文发表在2014 ICLR会议，是第一篇研究将CNN泛化到非欧式空间的论文，参考资料1直接称之为“第一代GCN”。 主要贡献： 将CNN泛化到非欧几里得空间，并提出两种并列的model，分别是基于spatial和基于spectral。 1. Spatial Construction: 进行K层聚类，每一层中又会有若干个“filter”。每层与每层之间的神经元数目是通过聚类...
[论文笔记] [2014] Spectral Networks and Deep Locally Connected Networks on Graphs
Alexzhuan
05-25 1025
这篇论文首次提出了基于空域（Spectral-domain）和基于频域（Spatial-domain）的图上卷积神经网络。 从题目可以看出，这篇论文分为两部分，一部分是Deep Locally Connected Networks，一部分是Spectral Networks。前者是基于空域角度去设计图卷积的，而后者是基于频域角度设计图卷积。 Spatial Construction 空域上的工作，作者的意图是设计一种卷积适用于拓扑结构，且具备卷积的性质（局部连接和层级hua） ...
wavelets on graphs via spectral
11-11
wavelets on graphs via spectral We propose a novel method for constructing wavelet transforms of functions defined on the vertices of an arbitrary finite weighted graph. Our approach is based on ...
On the Distance Spectral Radius and the Distance Energy of Graphs
12-29
图的距离谱半径和距离能量，余爱梅，，图G的距离矩阵的特征值也称为图G的D-特征值。图G的D-谱半径指的是G的最大的D-特征值，图G的D-能量指的是G的D-特征值的绝对值的和。本�
论文研究-Uplink and Downlink Area Spectral Efficiency of Two-tier Heterogeneous Cellular Networks.pdf
08-23
两层异构网络的上下行单位面积频谱效率，陈文萍，冯志勇，单位面积频谱效率ASE是衡量蜂窝网络性能的一个重要指标,ASE的研究中一般采用简单的网格模型。而网格模型并比适用于异构蜂窝网络HCNs,
Downlink and Uplink Decoupling in Heterogeneous Networks for 5G and Beyond
01-20
To meet the explosively increased data traffic demand from 5G and beyond, one of the most promising technologies is densified heterogeneous networks (HetNets). In HetNets, base stations (BSs) are ...
1.《Spectral Networks and Deep Locally Connected Networks on Graphs》论文理解
moster.YC的博客
04-06 3302
在欧式空间中使用的CNN卷积具有平移不变性，权值共享，局部连接，分层次表达的特点；但是图网络是一种非欧式结构的数据，网络是不规整的关系型数据，所以其不存在平移不变形（每个节点的周围邻居数不固定），导致图网络无法使用传统的CNN。不使用卷积核卷积的话，只能按照全连接网络的方式进行线性映射，这样又将失去权值共享，局部连接，分层次表达这些优势，需要大量的参数。 在《Spectral Networks a...
Spectral Networks and Deep Locally Connected Networks on Graphs 论文阅读
weixin_44576543的博客
12-17 1789
Spectral Networks and Deep Locally Connected Networks on Graphs Code link: 摘要：CNN在图片识别与语音等任务上取得很大的成功，由于其具有局部转变不变性，在本文中，探索一种可能的CNN应用于更多的领域，特别的，我们提出一种基于层次聚类的框架，另外是基于图拉普拉斯谱图的，展示了低维图上使用少量参数来运用卷积层，表现很好的性...
【图神经网络论文阅读笔记：GCN-1】Spectral Networks and Locally Connected Networks on Graphs
johnsonwang的博客
12-25 823
【论文阅读笔记】Spectral Networks and Locally Connected Networks on Graphs
GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】
u013250861的博客
10-31 1032
空域卷积非常直观地借鉴了图像里的卷积操作，但缺乏一定的理论基础。而频域卷积则不同，相比于空域卷积而言，它主要利用的是**图傅里叶变换(Graph Fourier Transform)**实现卷积。简单来讲，它利用图的**拉普拉斯矩阵(Laplacian matrix)**导出其频域上的的拉普拉斯算子，再类比频域上的欧式空间中的卷积，导出图卷积的公式。虽然公式的形式与空域卷积非常相似，但频域卷积的推导过程却有些艰深晦涩。接下来我们将攻克这部分看起来很难的数学公式，主要涉及到。
论文阅读_Spectral Networks and Deep Locally Connected Networks on Graphs
weixin_43916755的博客
06-02 134
Abstract 这篇文章最早的把CNN扩展到图上，俗称‘’第一代GCN.‘’ CNN一般是基于欧式空间的，有如下特点： 1> 权重共享 2> 局部性：欧式空间可以支持卷积核,局部卷积计算。 3> 通过卷积和池化，减少参数。 文章通过两种方式构建图卷积：空域构建（Spatial Construction）和频域构建（Spectral Construction）。 一、研究背景 CNN在欧式空间进行卷积计算的，而有的数据不能满足这样的要求：比如：表面张力或温度，来自气象站网络的测量，或来自社
论文笔记之Deep Convolutional Networks on Graph-Structured Data
BVL的博客
12-02 8272
本篇论文是2015年nips上的一篇论文， 是对于其本人在2014年nips发表的论文：Deep Convolutional Networks on Graph-StructuredData 对于graph上的cnn进一步探讨。相比于之前的工作，此篇论文主要贡献有两点： 1.将之前的construction应用于大数据集的分类问题——Imagenet 2.对于输入的graph是否有标签，分别
图卷积网络（Graph Convolutional Network）
热门推荐
chensi1995的博客
08-16 6万+
一. 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据： 图上的神经网络，最早由Joan Bruna于2014年在论文Spect...
论文阅读：Spectral Networks and Deep Locally Connected Networks on Graphs
qq_45402748的博客
12-28 326
论文阅读：Spectral Networks and Deep Locally Connected Networks on Graphs目录Abstract1 Introduction1.1 Contributions2 Spatial Construction2.1 Locality via W2.2 Multiresolution Analysis on Graphs2.3 Deep Locally Connected Networks3 Spectral Construction3.1 Harmoni
convolutional neural networks on graphs with fast localized spectral filtering
最新发布
06-28
这句话的意思是，使用快速局部谱滤波在图上进行卷积神经网络。在这个过程中，图像被表示为一个图，节点表示像素，边表示它们之间的关系。然后使用谱滤波器来处理这些图像，以便更好地捕捉它们之间的关系。...

“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 1
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