论文阅读：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

最新推荐文章于 2024-04-11 11:07:33 发布
最新推荐文章于 2024-04-11 11:07:33 发布
阅读量1k 收藏 5
点赞数
分类专栏： 图神经网络GNN 文章标签： 图论
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_45402748/article/details/111825426
版权
本文探讨了如何使用谱图卷积（spectral graph convolutions）的局部一阶近似来构建图卷积网络（GCN），用于解决半监督节点分类问题。在引文网络和知识图数据集上，GCN表现优越。GCN通过邻接矩阵调整模型，允许从少量标签数据中学习所有节点的表示。实验展示了GCN在各种任务中的高效性能，但也指出了其在处理大型和密集图数据集以及有向图时的局限性。
摘要由CSDN通过智能技术生成

论文阅读：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS


【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS对于该论文的讲解已十分详尽，本文在其基础上进行少量补充与修改

目录

Abstract

  • 通过谱图卷积（spectral graph convolutions）的局部一阶近似来选择卷积结构
  • 在图边的数量上进行线性缩放并学习隐藏层表示，对局部图的结构和几点特征进行编码
  • 在引文网络和知识图数据集（knowledge graph dataset）上效果优异

1.INTRODUCTION

  • 基于图的半监督问题的定义：
    对一张图里的结点进行分类，但是只有一小部分的结点是有标签的
  • 使用神经网络模型 f ( X , A ) f(X,A) f(X,A)对所有有标签的结点进行基于监督损失 L 0 L_0 L0​的训练。其中 X X X为输入数据， A A A为邻接矩阵
  • 在图的邻接矩阵上调整 f ( ⋅ ) f(\cdot) f(⋅) 将允许模型从 L 0 L_0 L0​中分配梯度信息，并使其能够学习所有带标签或不带标签的结点的表示

2.FAST APPROXIMATE CONVOLUTIONS ON GRAPHS

  • 多层图卷积网络的传播规则： H ( l + 1 ) = σ ( D ~ − 1 / 2 A ~ D ~ − 1 / 2 H l W l )
最低0.47元/天 解锁文章
我真傻了都
关注
专栏目录
[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...
Semi-Supervised Classification With Graph Convolutional Networks
I‘m Frank Lee
11-09 3361
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...
【[GCN]semi-supervised classification with graph convolutional networks】
weixin_45840199的博客
02-10 725
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。
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
abrams90的专栏
12-02 983
Abstract 本文提出了一种基于卷积神经网络的可扩展半监督学习方法，该方法可以直接对图进行学习。我们通过图卷积的局部一阶近似来进行卷积结构的选择。我们的模型在图边缘数量上线性扩展，并且学习了编码局部图结构和节点特征的隐层表示。在引用的网络和知识图数据集上的大量实验表明，我们的方法比相关方法有显著的优势。 1、Introduction 我们考虑在图(如引用网...
【图卷积网络】Semi-Supervised Classification with Graph Convolutional Networks
扬帆·启航
03-16 2929
将卷积扩展到图结构的数据中，能够得到比较好的数据表示，并且在半监督任务中也取得了不错的效果。
图卷积网络之Semi-supervised Classification with Graph Convolutional Networks
画心
03-02 4090
Semi-supervised Classification with Graph Convolutional Networks 文章是一片使用谱图卷积的一节近似方法简化一种有效的卷积神经网络的直接应用在图上的变体, 实现对于图结构数据的半监督学习,  We motivate the choice of our convolutional architecture via a loc...
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...
GRAPH CONVOLUTIONAL NETWORKS.pdf
04-04
该论文《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》由Thomas N. Kipf和Max Welling撰写，于2017年发表在ICLR（International Conference on Learning Representations，国际学习表征会议...
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
图卷积网络 Semi-supervised Classification with Graph Convolutional Networks
最新发布
chumingqian的博客
04-11 266
namedGCN.在这篇文章中，我们将仔细研究一个名为 GCN 的著名图神经网络之一。首先，我们将获得直觉，看看它是如何工作的，然后我们将更深入地了解它背后的数学原理。
GCN经典论文笔记：Semi-Supervised Classification with Graph Convolutional Networks
qq_44624316的博客
05-10 5654
GCN开山之作论文解读：《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》
Semi-supervised classification with graph convolutional networks
BUPT-WT的博客
01-27 3712
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...
Semi-Supervised Classification with Graph Convolutional Networks
我爱写报告的博客
05-20 442
解决的问题 我们提出了一个稳定的方法来半监督地学习图结构的数据，这种方法基于一种卷积网络的变体，是将卷积网络直接作用在图上。我们是基于对一种谱图卷积的一阶近似选择的这种卷积结构。我们的模型能够学到既可以编码局部的图结构也可以编码节点特征的隐藏层表示。在引文网络和知识图谱数据集上进行的一系列实验表明，我们的方法跟类似方法相比有显著的提升。 问题形式化 本文考虑的是对图上的节点进行分类，而图中只有一小部分节点有标签。这类问题可以被形式化为基于图的半监督学习，其中标签信息通过一些显式的基于图的正则来进行平滑，例如
《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》代码详解（Tensorflow版）
LIYUO94的博客
06-11 1514
paper链接 code链接 文件目录结构： 运行要求： ‘numpy>=1.15.4’, ‘tensorflow>=1.15.2,<2.0’, ‘networkx>=2.2’, ‘scipy>=1.1.0’ setuptools==40.6.3 可通过bash运行setup.py 安装运行必要的包版本。 数据集： 载入数据的维度（以Cora数据集为例） adj(邻接矩阵)：由于比较稀疏，邻接矩阵格式是LIL的，并且shape为(2708, 2708) features
论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
qq_44015059的博客
04-17 2118
前言 本文提出了一种可扩展的基于图数据结构的半监督学习方法，该方法基于一个有效的卷积神经网络变形，这种变形能够直接对图进行操作（卷积层变为了图卷积层）。图结构的数据在现实应用中非常常见，比如: Social Networks, Citation Netwoks, Knowledge Graphs等。 图半监督学习的setting是，在给定的图结构的数据中，只有少部分节点是有标记的，大部分节点是未标...
对于论文Semi-Supervised Classification with Graph Convolutional Networks，小白的学习理解
小王同学
08-30 366
卷积神经网络：灵感来源于人类的大脑，在识别一个物体时，首先识别边缘，再识别形状，最后确定物体的类型。卷积神经网络利用大脑识别的特点，建立多层神经网络，较低层识别物体的特征，若干底层特征组成更高一层特征，最终通过多层特征组合来进行分类。典型的卷积神经网络CNN由卷积层、池化层和全连接层组成。卷积层用来提取特征，池化层用来降维和降低过拟合，全连接层用来输出最后的结果。研究的对象通常是有规则的空间结构，比如有序的语句，对于猫狗的分类。这些特征都可以用矩阵来表示。
【论文笔记】Semi-Supervised Graph Classification: A Hierarchical Graph Perspective
The_best_man的博客
01-07 1337
Semi-Supervised Graph Classification: A Hierarchical Graph Perspective Introduction 提出Self-Attentive Graph Embedding method(SAGE)方法，能够将变化的Graph Instance结合每个Node根据有Graph的重要性产生固定长度的向量 Challenges Size invariance：如何能够灵活地将任意大小的Graph Instance转换为固定长度的embedding
【AAAI 2021】全部接受论文列表（二）
yinizhilianlove的博客
01-14 5891
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况   人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.
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