Semi-Supervised Classification with Graph Convolutional Networks

最新推荐文章于 2022-10-18 15:08:28 发布
最新推荐文章于 2022-10-18 15:08:28 发布
阅读量378 收藏 2
点赞数 1
分类专栏： 图网络 文章标签： 深度学习
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/106711724
版权

Semi-Supervised Classification with Graph Convolutional Networks

1、简介

在这里插入图片描述
我们考虑在图形（例如引用网络）中对节点（例如文档）进行分类的问题，其中标签仅可用于一小部分节点。 这个问题可以被定义为基于图的半监督学习，其中标签信息通过基于图的显式正则化在图上平滑。例如 通过在损失函数中使用图拉普拉斯正则化项：
在这里插入图片描述

  • L 0 L_0 L0​是图的监督损失。
  • L r e g L_{reg} Lreg​是图的拉普拉斯正则化。

2、图上的快速近似卷积

在这里插入图片描述

  • A ~ = A + I N \tilde{A} = A + I_N A~=A+IN​
最低0.47元/天 解锁文章
怕狗子的福哥
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【[GCN]semi-supervised classification with graph convolutional networks】
weixin_45840199的博客
02-10 696
提出了一种可扩展的图结构数据的半监督学习方法，该方法基于直接在图上操作的卷积神经网络的有效变体。通过光谱图卷积的局部一阶近似来激发我们的卷积体系结构的选择。我们的模型在图边的数量上呈线性扩展，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图数据集上的许多实验中，我们证明了我们的方法显著优于相关方法。
3.《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》论文理解
moster.YC的博客
04-11 359
在《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》 中，作者对《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》作出了改进，提出了以下创新： （1）提出了一个可以直接在图上操作的神经网络模型的逐层传播规则；...
Semi-Supervised Classification With Graph Convolutional Networks
I‘m Frank Lee
11-09 3316
图卷积网络的半监督分类 提升了图卷积的性能，使用切比雪夫多项式的1阶近似完成了高效的图卷积架构。原文链接：Semi-Supervised Classification with Graph Convolutional Networks. Kipf & Welling 2017 一开始就提出， 2Fast Approximate Convolutions On Graphs 介绍基...
论文阅读”Semi-supervised classification with graph convolutional networks“(ICLR2017)
qq_43497436的博客
10-18 810
此外，对于固定的计算预算，这种分层的线性公式允许我们构建更深入的模型，这种实践已知可以提高许多领域的建模能力。公式1依赖于，图中所有连接的结点都是相似的，并且共享同样的标签。一个基于图卷积的神经网络，通过堆叠多个卷积层构成，卷积层的卷积公式为公式5，每一层都是逐点非线性的计算。1. 引入了一个简单且有效的，针对神经网络模型的逐层传播规则，该规则直接在图上操作，并且展示如何从谱图卷积的一阶近似得到它。接下来，考虑一个两层的GCN模型，任务是在图上的半监督的结点分类，带有一个对称的邻接矩阵。
semi -supervised classification with graph convolutional networks学习必记
01-07
当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征： 3. 半监度节点分类模型 本文模型优缺点 WlW^lWl在各个顶点共享，与顶点个数无关，可以用于大...
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub...
2019-自动化所-Semi-supervised Node Classification via Hierarchical G
08-04
图卷积网络（Graph Convolutional Networks, GCNs）在节点分类任务中取得了显著的成功，通过邻居聚合策略提取节点特征。然而，大多数基于邻域聚合的模型通常较浅，缺乏“图池化”机制，这限制了模型获取全局信息的...
jax-gcn:JAX 中的图卷积网络
05-30
如果您在研究中使用它，请引用该论文： @article{kipf2016semi, title={Semi-Supervised Classification with Graph Convolutional Networks}, author={Kipf, Thomas N and Welling, Max}, journal={arXiv prepri
GNN概述及Numpy实现Semi-GCN(组会报告)1
08-03
Kipf和Welling在2016年的论文中介绍了Semi-supervised classification with graph convolutional networks，即GCN（图卷积网络），这是一种简化版的Spectral CNN，它通过近似拉普拉斯矩阵的谱分解来实现图卷积，简化...
【论文】Semi-Supervised Classification with Graph Convolutional Networks
安静
02-27 646
Semi-Supervised Classification with Graph Convolutional Networks1 Introduction2 Fast Approximate Convolutions on Graphs2.1 Spectral Graph Convolutions2.2 Layer-Wise Linear Model3 Semi-Supervised Node ...
Semi-supervised classification with graph convolutional networks
BUPT-WT的博客
01-27 3699
研究意义: 1、在拓扑图中 可以有效的提取空间特征 2、拓扑图中每个顶点的相邻顶点数目可能不同，所以不能用同样大小的卷积核进行卷积操作 本文主要结构如下所示: 一、Abstract 提出将卷积操作应用到图上，通过图频域的近似分析来建模学习图的局部结构和结点特征。 二、Introduction 介绍图上结点分类的半监督问题，通过神经网络学习结点的表式，半监督定义loss function ，提出了图上神经网络传播规则并将其与图频域分析联合起来 三、Fast Approxima...
文章综述——SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
weixin_42358688的博客
11-05 2060
摘要： 提出了一种可扩展的在图结构数据上进行半监督学习的方法，它基于一种直接在图上操作的卷积神经网络的有效变体。我们通过频谱图卷积的局部一阶近似来激励卷积架构的选择。我们的模型以图形边的数量线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在一些引用网络和知识图数据集的实验中，我们证明了我们的方法有显著性作用 正文： 我们考虑了对图(如引用网络)中的节点(如文档)进行分类的问题，其中标签只对一小部分节点可用。这个问题可以被框定为基于图的半监督学习，通过某种形式的显式基...
论文阅读总结（SEMI-SUPERVIED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS）
weixin_44756457的博客
11-24 2006
Semi-Supervised Classification with Graph Convolutional Networks（基于图卷积神经网络的半监督分类） 这篇文章是阿姆斯特丹大学的教授Max Welling和博士Thomas N.Kipf于2017年在深度学习顶会ICLR上发表的，至写此篇博客时，在谷歌学术上显示论文被引用数已经到达2136次。 作为一个新手，拜读大牛的论文后想要写一写自...
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS个人理解
yuzhijiedingzhe的博客
12-25 1万+
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 总体介绍： 在该篇论文中，作者提出了一种可扩展式的半监督学习卷积神经网络方法处理基于图结构的数据。论文中作者所提出的方法应用的是关于图结构数据中的聚类问题。通过图结构数据中部分有标签的节点数据对卷积神经网络结构模型训练，使网络模型对其余无标签的数据进行进一步分类，从
翻译--SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
热门推荐
w986284086的博客
05-10 1万+
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 图卷积神经网络的半监督学习 原文连接: Semi-Supervised Classification with Graph Convolutional Networks 0. 摘要 We present a scalable approach for s...
全宇宙最详细：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 文中所有的数学公式解析
qq_42902997的博客
10-24 2017
文章目录论文中使用的一些概念和推导CNN 平移不变性Graph 的特征提取操作Graph 卷积的频域卷积方法为什么要求图 G(V, E) 的拉普拉斯矩阵拉普拉斯矩阵和傅里叶变换的关系以下是论文内容ABSTRACTINTRODUCTION 论文中使用的一些概念和推导 可以先自己看论文，遇到公式推导的时候翻上来看这部分就可以 CNN 平移不变性 引文：卷积神经网络为什么具有平移不变性？ 不变性意味着即使目标的外观发生了某种变化，但是你依然可以把它识别出来 下图只是一个为了说明这个问题的例子。输入图像的左下
《Semi-supervised classification with graph convolutional networks》 论文浅读
qq_32220889的博客
07-25 720
1、论文简介 论文：《Semi-supervised classification with graph convolutional networks》。 作者：Thomas N. Kipf，Max Welling。 版本：Submitted on 9 Sep 2016 (v1), last revised 22 Feb 2017 (this version, v4)...
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
最新发布
07-27
"SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS"是一篇论文，提出了一种可扩展的图卷积实现方法，用于对具有图结构数据的半监督学习。该方法使用谱图卷积的一阶近似来确定卷积网络结构，并通过...

“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