《Large-Scale Learnable Graph Convolutional Networks》

最新推荐文章于 2021-06-25 18:29:48 发布
VIP文章 最新推荐文章于 2021-06-25 18:29:48 发布
阅读量437 收藏 1
点赞数 1
分类专栏： 图网络 文章标签： 算法
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/108050738
版权

《Large-Scale Learnable Graph Convolutional Networks》

1、模型算法

在这里插入图片描述

Learnable Graph Convolutional Layers

在这里插入图片描述

k-largest Node Selection

在这里插入图片描述

1-D卷积神经网络

第一次看到这个构建过程，觉得既简单又巧妙，该例子不仅蕴含着最大化降采样原理，还有 1 d 1d 1d卷积核的应用，这里 k k k取 4 4 4， k k k是一个超参数， k

最低0.47元/天 解锁文章
怕狗子的福哥
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
图神经网络（二十九）Large-Scale Learnable Graph Convolutional Networks
码匀的博客
04-16 358
本文收录于KDD2018，作者来自于华盛顿州立大学。
图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018
qq_36618444的博客
01-15 1244
本文的三位作者来自华盛顿州立大学，同之前的几篇论文一样，本文也是旨在解决如何在非欧的graph中获得适用于广义卷积的子图结构，并提出模型learnable graph convolutional layer (LGCL)。LGCL根据值的排序，为每个特征自动选择固定数量的相邻节点，将图形数据转换成一维格式的网格状结构（在节点邻域矩阵上执行最大池化，得到top-k特征元素），从而可以对泛型图进行常规...
Large-Scale Learnable Graph Convolutional Networks（LGCN）ppt pdf
08-19
Large-Scale Learnable Graph Convolutional Networks（LGCN）论文的ppt pdf 资源分享
Learnable-Git-Course:Git课程
06-23
分支 B 的自述文件，我们的第二个分支
Large Scale Networks Modeling and Simulation 无水印pdf
09-27
Large Scale Networks Modeling and Simulation 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
论文学习笔记：Large-Scale Learnable Graph Convolutional Networks
weixin_40675092的博客
06-25 401
来自KDD 2018 的工作，将graph数据转化成 grid-like 结构数据，可以直接传入卷积层。并且提出Sub-Graph Training，一种有效的根据图顶点抽样，得到子图训练模型的方法。解决图相关的深度学习模型内存和计算问题。本方法在各个baseline数据集上取得了state-of-the-art的效果。 Learnable Conv on Graph LGCN 也是从中心节点邻居的特征中聚合出新的特征表达，但与GCN不同之处在于，它是将邻居节点的特征，结合中心节点本身的特征，转化为gri.
[LGCN论文笔记]：Large-Scale Learnable Graph Convolutional Networks
知行合一，止于至善
08-24 4946
文章目录Abstract补充：如何理解 inductive learning 与 transductive learning?1. Introduction2. Related Work图卷积网络（GCNs）图注意网络（GATs）3. Methods3.1 Challenges of Applying Convolutional Operations on Graph Data3.2 Learna...
【LGCN】如何理解Large-Scale Learnable Graph Convolutional Networks？
扬帆·启航
04-10 738
将图结构数据变换到网格状数据中，使用传统的一维卷积进行卷积。变换的方式是：针对每个特征的大小，对邻居结点进行排序，取这个特征前k大的数作为它邻居这列特征的k个值。如果邻居不够，那就用0来补。这样就能得到该顶点的邻居信息，组成一个矩阵，然后使用一维卷积。
《Large-Scale Learnable Graph Convolutional Networks》论文理解
moster.YC的博客
05-15 349
0.动机 1.LGCL算法框架 使得卷积神经神经网络无法直接应用于图数据的原因主要有两个： （1）图数据没有固定数量的领域节点； （2）图数据的节点没有显式或者隐式的顺序； 在LGCL算法中，作者通过k-最大节点选择部分确定图数据的邻域节点以及领域节点的顺序;通过1-D卷积神经网络将节点的邻域信息进行卷积形式的信息聚合得到输出。下图为LGCL的算法流程图。 2.k-最大节点选择 k-最大节点选择的主要目的就是将图结构数据转化为欧式结构的网格状数据。函数公式表示为: Xl~=g(Xl,A,k)(1)\til
human36m预训练checkpoints-learnable triangulation of human pose
最新发布
03-12
Learnable Triangulation of Human Pose论文代码中的有关human36m数据集的预训练模型，包括论文中提到的两种方法的模型以及pose_resnet方法的预训练模型，复现使用时将其放在data\pretrained目录下解压使用。...
Convolutional Neural Networks.pdf
03-04
Convolutional Neural Networks are very similar to ordinary Neural Networks from the previous chapter: they are made up of neurons that have learnable weights and biases. Each neuron receives some ...
learnable-sdk-java
03-30
可之科技开放平台sdk功能简介目前开放图片OCR识别和简易批阅两大核心业务的调用。图片OCR识别开放单题识别，配图提取，整页识别3个功能的异步请求，通过异步的方式返回结果，同时提供相关查询功能。...
Weisfeiler-Lehman(WL)算法
qq_45312141的博客
06-16 1万+
Weisfeiler-Lehman 算法 Weisfeiler-Lehman(WL)算法The Weisfeiler-Lehman Test of IsomorphismThe General Weisfeiler-Lehman Kernels1.The Weisfeiler-Lehman Kernel Framework2.The Weisfeiler-Lehman Subtree Kernel多图上计算The Weisfeiler-Lehman Subtree KernelTHE RAMON-GARTN
图注意力网络(GAT)
qq_45312141的博客
05-23 8255
@TOC 一、INTRODUCTION 图注意力网络(GAT)Graph attention network缩写为GAT，若按照首字母大写，会与对抗生成网络GAN混淆。所以后面GAT即本文的图注意力网络。 论文地址 https://arxiv.org/abs/1710.10903 代码地址： https://github.com/Diego999/pyGAT 1.1 相关研究 Semi-Supervised Classification with Graph Convolutional Networks，
谱图理论(spectral graph theory)
qq_45312141的博客
05-26 3149
@[TOC](谱图理论(spectral graph theory)) 1、如何理解特征值和特征向量 1.1特征向量描述运动的方向 我们知道，对于矩阵AAA可以对角化的话，可以通过相似矩阵进行下面这样的特征值分解：A=PΛP−1A=P\Lambda P^{-1}A=PΛP−1 wherewherewhere Anx=PΛP−1PΛP−1PΛP−1...PΛP−1A^n x=P\Lambda P^{-1}P\Lambda P^{-1}P\Lambda P^{-1}...P\Lambda P^{-1}An
Adaptive Graph Convolutional Neural Networks
qq_45312141的博客
06-12 3045
Adaptive Graph Convolutional Neural Networks1、Introduction1、Introduction1、Introduction2、Method2、Method2、Method2.1 SGC−LL Layer2.1\ SGC-LL\ Layer2.1 SGC−LL Layer1.学习图Laplacian2.训练图更新的度量3.特征转换重参数化4. 残差图Laplacian2.2 AGCN网络Graph Max Pooli
GATED GRAPH NEURAL NETWORKS（GGNN）
qq_45312141的博客
06-05 2783
这里写目录标题GG-NNGGS-NNs GG-NN GGNN网络使用了GRU（Gate Recurrent Units），在固定的 T 时间步中展开RNN，并使用BPTT算法（Back Propagation Through Time）以计算梯度。 补充： GGNN并不能保证图的最终状态会到达不动点。由于更新次数 T 变成了固定值，因此GGNN可以直接使用BPTT算法来进行梯度的计算。相比于一般的GNN使用Almeida-Pineda算法需要更多的内存，但是不需要约束参数以满足压缩映射（contractio
Deep InfoMax
qq_45312141的博客
02-04 2760
Deep InfoMax一级目录2、算法模型3、目标函数 一级目录 2、算法模型 上图是一个图像数据的基本编码器模型，编码器设为EEE，输入一张图片XXX，经过几层卷积，得到一个M∗M∗channelsM*M*channelsM∗M∗channels的特征图，再将这些特征经过卷积展开或全连接层的计算，得到一个一维的特征向量YYY，就是输入数据的高层语义信息。 论文指出，基于DIMDIMDIM的编码器目标是： 3、目标函数 # y是经过卷积和多层线性层最后输出的vector, M是经过卷积和一层线

“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