- 博客(7)
- 收藏
- 关注
RSS订阅原创 图神经网络（GNN）算法及A Gentle Introduction to Graph Neural Networks（整理自http://t.csdnimg.cn/Fanio）
2009年，Micheli在继承了来自RecGNN（循环GNN）的消息传递思想的同时，在架构上复合非递归层，首次解决了图的相互依赖问题。由更新公式可知，当所有节点的状态都趋于稳定状态时，此时所有节点的状态向量都包含了其邻居节点和相连边的信息。这与图嵌入有些类似：如果是节点嵌入，我们最终得到的是一个节点的向量表示，而这些向量是根据随机游走序列得到的，随机游走序列中又包括了节点的邻居信息， 因此节点的向量表示中包含了连接信息。来对节点状态进行变换，得到我们想要的输出，比如某一类别，某一具体的数值等）
2024-04-09 10:40:02
419
原创 Kriging Convolutional Networks(KCN)
kriging卷积网络（KCN），是一种结合图神经网络（GNN）和kriging优点的方法。与标准的gnn相比，kcn在进行预测时直接利用邻近的观测结果。
2024-04-06 21:16:38
1198
1
原创 图机器学习及图神经网络学习笔记（三）——————基于CS224W课程及同济子豪兄
GNN 的公式为：而CNN 的公式本来为, 我 们可以把它写 成.类比两个式子，再看如下两图我们可以把4*4的卷积看成一个图有9个节点。但是在CNN中，不同位置的邻域分别学习到不同的权重，但是在 GCN 中，卷积核权重由预定义。CNN 可以看作是一个特殊的 GNN, 具有固定的邻居大小和顺序：过滤器的大小是为 CNN 预先定义的。GNN 的优点是它对每个节点处理不同程度的任意图。CNN不是排列不变/等变的。切换像素的顺序会导致不同的输出。
2024-03-26 20:49:09
965
原创 图机器学习及图神经网络学习笔记（二）——————基于CS224W课程及同济子豪兄
计算机只能看懂向量，矩阵而不能直接处理图，因为我们要把节点、边、图化为D维向量进行下游操作。每一个节点的特征分为两种，一种是属性特征(内在秉性，比如连接的权重、节点的类型、连接的类别、很多时候这种属性都是多模态的，可能存在图像、视频、文本、音频)；另一种是连接特征，既在图中节点的连接关系，该模块只讲解连接属性。节点级预测：输入某个节点的D维向量，输出该节点是某类的概率。
2024-03-26 15:42:04
709
原创 图机器学习及图神经网络学习笔记（一）——————基于CS224W课程及同济子豪兄
传统的数据分析中，每一个数据样本都是彼此无关、彼此独立的，我们称之为独立同分布(i.i.d)。但图是描述关联数据（数据样本直接存在联系）的通用语言，现实生活中，图是无处不在的，比如疾病的变异路径、食物链、地铁站、社交网络、经济网络、神经元、医疗知识图谱、场景图、基因蛋白质的调控网络、分子、代码等都可以抽象为图。现代的深度学习网络主要用来解决表格、矩阵、序列等数据，但是没有专门用来解决关联数据的神经网络，并且训练神经网络是复杂的，主要表现如下：任意大小和复杂的拓扑结构（即，没有像网格那样的空间局部性）；
2024-03-26 11:56:05
775
原创 多任务与元学习——基于CS330课程笔记(一)
task:,p对应数据生成分布。相应的(训练、测试)数据集：，之后将简称为。举例：1.多任务分类(在所有任务中都相同)：单语言手写识别，个性化的垃圾邮件过滤器。如下为盲文图，对图中的符号进行分类。2.多标签学习(在所有任务中都相同)：人脸属性识别，假设有一个人脸数据集，一项任务可能对应于检测此人是否戴着帽子，另一项任务可能对应于检测他们的头发颜色等等；景物理解(图像深度、地表法线，不太懂哭哭)什么时候在任务中不一致：——跨任务的混合的、离散的、连续的标签；
2024-03-03 21:04:36
856
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人