图神经网络

最新推荐文章于 2024-07-10 21:16:19 发布
最新推荐文章于 2024-07-10 21:16:19 发布
阅读量36 收藏
点赞数
分类专栏： 深度学习与神经网络 文章标签： 神经网络 人工智能 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_57780419/article/details/134381154
版权

传统神经网络要求输入的格式是固定的，规模是相同的，但是GNN要求输入的数据格式不做要求，多大的图都可以
图有N个点，那么图的邻接矩阵可写成 NN，但是一般传到NN中的是 2N 的矩阵，2指的是source->target 即 source 到 target 之间有一条边， N指的是边的个数

GNN中节点特征的更新不仅要考虑自身的，还要考虑邻居的信息：
在这里插入图片描述
GNN可以是多层的，对于多层GNN，输入的邻接矩阵不会改变
多层GNN可以使单个节点接受到其他节点的数据增多
在这里插入图片描述
比如上图，如果是一层GNN，节点信息更新时，节点h1会考虑他的两个临邻点；
如果是两层GNN，那么在第二层时，h1节点会把他的两个临邻点的邻接点考虑进来，即h7，h3等
得到节点最好的特征之后，可以对节点进行分类，对图进行分类等

所以GNN多层会使单个节点的感受野变大，甚至感受到全局
GNN不需要太多层，因为6层就可以感受到整个图

输入到GCN中的信息包含：1.各节点输入特征 2.网络结构图
GCN优势：
它是一个半监督学习，不需要所有的节点都有标签，训练的时候只用少量有标签的点进行训练，计算损失时只用有标签的
为什么这样可以？因为带标签的点会把邻居节点考虑进去，多层GCN会把感受野内的所有节点考虑进去
在这里插入图片描述
多层GCN算出来每个点都会对应一个向量，但是这个向量的维度不一定和输入点向量的维度一样，因为中间可能做了全连接等操作

邻接矩阵，度矩阵，特征矩阵
在这里插入图片描述
一般把邻接矩阵对角线设为1，表示也要考虑自己
同时为了使更新的特征进行平均，需要把度矩阵改为1/1, 1/2, 1/3, 1/4 等
由此得到
在这里插入图片描述
因此可写为
在这里插入图片描述
上述只是对行进行了归一化，加上对列的归一化，所以需要右乘D~，所以D~需要开根号
在这里插入图片描述
下面一幅图是一层GNN（使用的激活函数是relu）+一层全连接（使用的是softmax）
在这里插入图片描述
别人做的实验：GCN在2-5层时效果较好，层数再增多效果就变差了
在这里插入图片描述

牛+马=我
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
盼小辉丶的博客
01-02 5万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
【复杂网络建模】——通过图神经网络来建模分析复杂网络
lingxw的博客
05-18 7637
复杂网络是指由大量节点和连接组成的网络结构，它在许多领域中都有应用，包括社交网络、生物网络、信息网络等。复杂网络的研究主要关注网络的拓扑结构、动力学行为和功能特性。复杂网络的拓扑结构通常呈现出非常复杂的特征，例如小世界效应和无标度性。小世界效应指的是网络中的节点之间具有较短的平均路径长度，使得节点之间的距离变得更短。无标度性表示网络的度分布呈幂律分布，即只有少数节点具有非常高的连接度，而大部分节点的连接度较低。这些特性使得复杂网络在信息传播、灾难传播、社交影响等方面表现出独特的性质。
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 9万+
从数据结构到算法：图网络方法初探 论文《Graph Neural Networks: A Review of Methods and Applications》 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session 文章目录图神经网络（Graph Neural Networks，GNN）1. GNN起源1.1 动..
图神经网络初探
Kaiyuan_sjtu的博客
10-03 7718
介绍随着图神经网络（Graph Neural Networks，GNN）热潮的出现，了解、掌握图神经网络相关原理以及应用相关技术越来越成来从事人工智能人员的必要条件。本文主要概述图神经网络...
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
知不足而奋进，望远山而前行
10-04 4万+
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实际场景中（例如道路交通），不同城市的道路数量和节点数量都不同，即输入数据格式不固定。对此，传统神经网络不能很好地解决，但是GNN可以用来解决此类问题。卷积：卷积核平移计算图卷积：自身信息+所有邻居信息。
图神经网络及其应用
Lukerman0的博客
09-06 6308
Graph Neural Networks and its applications 摘要 以图形形式构建的数据存在于生物化学、图像处理、推荐系统和社会网络分析等多个领域。利用预处理技术在图结构数据上训练机器学习模型有几种方法，但它们缺乏完全适应数据集和手头任务的灵活性。图神经网络允许创建一个端到端的机器学习模型，该模型同时被训练来学习图结构数据的表示并在其上拟合预测模型。图神经网络可以应用于从聚类或可视化到对图数据进行分类或回归的任务，它们还可以在节点或图级别学习表示。他们在半监督学习和有监督图分类方面取
图神经网络简介，什么是图神经网络，GNN
一起躺躺躺的博客
05-13 2万+
distill博客：A Gentle Introduction to Graph Neural Networks (distill.pub) 什么是图？ 图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。 怎么表示一张图，可以参考下面这个例子 每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的.
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 3950
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
GNN图神经网络常用数据集总结
争取早日成为硅农
12-23 1万+
图神经网络（Graph Neural Network，GNN）是一种新兴的神经网络模型，适用于处理图数据。与传统的神经网络模型不同，GNN 能够有效地捕捉节点之间的结构信息和关系，并对节点进行精准的分类、聚类和预测分析。因此，GNN 在社交网络、生物信息学、推荐系统、物联网等领域得到了广泛的应用。为了研究和评估 GNN 的性能，需要使用各种不同类型的数据集。这些数据集包含了不同领域的实际问题，例如社交网络中的用户关系、生物学中的蛋白质分子结构、推荐系统中的用户行为等。
图神经网络实战视频教程
09-14
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，如社交网络、分子结构、交通网络等。本视频教程旨在通过实战教学，帮助学习者深入理解和掌握GNN的核心原理...
图神经网络课程PPT.zip
12-02
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，特别是图结构数据。本课程PPT深入探讨了这一主题，为理解GNN的基本概念、原理以及在实际应用中的作用提供了...
图神经网络的PPT
04-17
图神经网络（Graph Convolutional Networks，简称GCNs）是一种深度学习模型，专门用于处理非欧几里得数据，如图结构数据。在传统的深度学习中，数据通常以向量或矩阵的形式存在，而在现实世界中，许多问题的数据自然...
图神经网络实战课程分享
08-31
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，如社交网络、化学分子结构、交通网络等。在本实战课程中，我们将深入探讨GNN的基本原理，以及如何利用它们...
图神经网络ppt
04-16
入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其...
cs231n作业2 双层神经网络
m0_52775136的博客
07-07 716
还可以理解为dropout是一个正则化的操作，他在每次训练的时候，强行让一些feature为0，这样提高了网络的稀疏表达能力。Batch Normalization解决的一个重要问题就是梯度饱和。Forward: 计算score，再根据score计算loss。Backward：分别对W2、b2、W1、b1求梯度。使用slover来对神经网络进优化求解。卷积层的前向传播与反向传播。
神经网络设计过程
Water_Sunzhipeng的博客
07-08 392
转化为Iris Y(1, 3) = X (1, 4) * W(4, 3) + b(3,) 三个偏置项。梯度下降法：沿损失函数梯度下降的方向，寻找损失函数的最小值，得到最优的参数的方法。2.神经网络方法，采集大量的Iris特征，分类对应标签，构成数据集。学习率：当学习率设置的过小时，收敛过程变得缓慢，过大，会在错过最小值。损失函数可以判断当前W和b的优劣，当损失函数值最小时，W和b最优。损失函数的表达方法之一就是：均方误差：MSE(y, y_) =运用损失函数定义预测值(y)与标准答案(y_)之间的差距。
人工智能、机器学习、神经网络、深度学习和卷积神经网络的概念和关系
xrgs_shz的博客
07-07 728
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的有效表示，而这种使用相对较短、稠密的向量表示叫做分布式特征表示（也可以称为嵌入式表示）。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。又称为机器智能，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是智能学科重要的组成部分，它企图了解智能的实质，并生产出一种新的能以与。核心，是使计算机具有智能的根本途径。
【AI前沿】深度学习基础：训练神经网络
最新发布
屿小夏.的知识博客
07-10 671
深度学习是当今人工智能领域的核心技术，尤其在图像处理、语音识别、自然语言处理等领域表现出色。要理解深度学习，首先需要掌握神经网络的训练过程，包括前向传播、反向传播、损失函数、优化算法以及梯度下降法及其变种。
2021 GNN综述文章 A review of methods and applications
09-27
"这篇文章是关于图神经网络（GNN）的综合回顾，涵盖了其方法和应用，由来自清华大学、北京邮电大学和腾讯公司的研究人员共同撰写。文章深入探讨了GNN在处理富含元素间关系的图数据中的重要作用，以及它们在物理系统...

“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