![](https://img-blog.csdnimg.cn/063b4f1ac7874bfab91b927452a95e67.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
图神经网络
文章平均质量分 78
图神经网络专栏
梦码城
以梦为码,不负韶华
展开
-
专题解读|Graph Fairness代表性工作介绍
图在现实世界中无处不在,例如知识图谱,社交网络和生物网络。近年来,图神经网络( graph neural networks,GNNs ) 在图结构数据建模方面表现出了强大的能力。一般地,GNNs采用消息传递机制,通过迭代地聚合邻居节点的表示来更新节点的表示。得到的表示同时保留了节点属性和局部图结构信息,便于各种下游任务,如节点分类和链接预测。尽管GNNs表现优异,但最近的研究表明,GNNs倾向于从训练数据中继承偏见.原创 2023-11-14 16:45:04 · 432 阅读 · 4 评论 -
矩阵与对角阵相乘的一般特点
矩阵与对角阵相乘的一般特点原创 2022-11-14 09:22:58 · 7252 阅读 · 2 评论 -
GammaGL论文复现-以ChebNet为例
本文目录1. 创建需要用到的文件2. 编写训练文件2.1 导入对应的包与环境配置2.2 运行参数设置2.3 编写损失函数类2.4 编写验证函数2.3 编写训练main主函数3. 编写模型文件4. 编写卷积层文件4.1 编写网络初始化方法4.2 编写标准化拉普拉斯矩阵方法4.2 编写forword前向传播方法5. 训练结果附录:ChebConv1. 创建需要用到的文件exmaples文件夹下面创建模型训练文件夹——chebnetgcn,用于测试训练,文件夹里面创建对应的chebnetgcn_trainn原创 2022-05-18 14:24:54 · 1070 阅读 · 0 评论 -
ChebNet论文复现(数据准备部分)
本文目录1. Data Prepation1.1 加载数据集1.2 构造图1.2.1 构造大小为m的网格1.2.2 计算成对距离1.2.3 构造图的邻接稀疏权重矩阵1.2.4 构造网格图1.3 计算粗话图1.3.1 重边匹配HEM1.3.2 构造二叉树1.3.3 构造聚类树1.3.4 构造图拉普拉斯矩阵1.3.5 使用重边匹配构造K个粗化图1.4 计算每个粗话图的最大特征值1.5 根据二叉树节点索引重新索引数据集的节点索引,构造数据集二叉树1. Data Prepation1.1 加载数据集# lo原创 2022-05-10 18:19:06 · 783 阅读 · 0 评论 -
Understanding Convolutions on Graphs
1. 介绍传统的神经网络被用于对固定大小和/或规则结构的输入(例如句子、图像和视频)进行操作。这使得他们无法优雅地处理图结构数据。图神经网络 (GNN) 是一系列神经网络,可以自然地对图结构数据进行操作。与孤立地考虑单个实体的模型相比,通过从底层图中提取和利用特征,GNN 可以对这些交互中的实体做出更明智的预测。本文将说明图计算的挑战,描述图神经网络的起源和设计,并探索最近最流行的 GNN 变体。特别是,我们将看到许多这些变体由相似的构建块组成。2. 图计算面临的挑战2.1 缺乏一致的结构预测给原创 2022-05-05 17:11:26 · 1213 阅读 · 0 评论