八荒_-CSDN博客

原创 STRATEGIES FOR PRE-TRAINING GRAPH NEURAL NETWORKS

pre-train+fine-tune的策略已经广泛地应用在了CV, NLP领域，但如何有效地利用图数据集的预训练仍然是一个有待解决的问题。本文提出了一种在node-level和graph-level同时学习的预训练模型，能够很好地得到图的局部和全局的表示。实验证明预训练模型在ROC-AUC上超过了非预训练模型9.4%，并在分子性质预测和蛋白质功能预测方面达到了最好的表现。本文被ICLR2020接收，Strategies for Pre-training Graph Neural NetworksINT

2020-06-18 23:03:32 1017

原创 kernel_size为1的卷积核与全连接层的关系

看到有文章说kernel_size为1的卷积相当于全连接层的运算，这里简单地使用1维的卷积核证明一下输入的数据用X∈R(d,n)X \in \mathbb{R}^{(d,n)}X∈R(d,n)表示，共有nnn个数据，每个数据是ddd维。全连接层用L∈R(d,d)L \in \mathbb{R}^{(d,d)}L∈R(d,d)表示，一维的卷积用C∈R(d,d)C \in \mathbb{R}^{(d,d)}C∈R(d,d)表示，即卷积的in_channel=d, out_channel=d，CCC的行向量

2020-06-03 13:37:55 6700 1

原创 MuchGCN：Multi-Channel Graph Convolutional Networks

这篇文章在DiffPool的基础上引入了多通道（Multi-channel）的概念，提出了multi channel graph convolutional networks (MuchGCN)，通过inter-channel和intra-channel两种方式聚合通道上的信息。本文被IJCAI2020接收，在写这篇博客时我看的是2019年12月挂到arXiv上的版本，整体感觉有点粗糙，被会议接收的论文可能是作者更新过的版本。地址：Multi-Channel Graph Convolutional Net

2020-06-02 21:24:24 3150 1

原创 DiffPool: Hierarchical Graph Representation Learning with Differentiable Pooling

本文提出了一种分层的图池化机制DiffPool，通过将原始图的部分节点映射成粗粒度图上的一个节点模型能够学习到图的层级结构，在池化多次后将图映射成一个节点，进而得到整张图的表示。本文被NIPS2018接收，地址：Hierarchical Graph Representation Learning with Differentiable PoolingMotivation在有机分子中，人们希望能够编码局部的分子结构（原子间的化学键）以及图的粗粒度结构（代表分子功能的结构单元），但当前的GNN无法以分层的

2020-06-02 17:24:42 794

原创 Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks

这是一篇将GNN运用在预测知识图谱(Knowledge Graph)节点重要性的文章，被KDD2019接收。文中提出了GENI模型，在GNN聚合信息的过程中只聚合一个标量（score）而不是聚合节点的embedding。Introduction知识图谱可以看做是一个有向多关系图，并且节点之间可能存在不止一条边。Given a KG, estimating the importance of each node is a crucial task that enables a number of a

2020-06-01 19:59:18 1696 10

原创 MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions

论文地址：MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions这篇论文被IJCAI 2019接收，主要工作是在用GNN预测分子间相互作用的任务上，引入了LSTM对两个分子不同层的表示进行编码，从而在获得不同的receptive field（RF）的信息的基础上得到两个分子之间的交互信息。Motivation传统的图神经网络的receptive field是

2020-05-31 21:20:34 883

原创 GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions

论文地址：GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions这篇论文被IJCAI 2020接收，主要工作是首次将图神经网络运用在由图构成的图（Graph of Graphs）上。Graph of Graphs(GoG)在分化学物质间相互作用的预测任务上，每一个化学物质可以看做是一个图结构，利用图神经网络的方法能够得到化学物质的特征表示，从而预测化学物质间是否存在相互作用。这样的方法只考虑

2020-05-27 20:52:14 1044 2

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

todoooooo的博客

原创 STRATEGIES FOR PRE-TRAINING GRAPH NEURAL NETWORKS

原创 kernel_size为1的卷积核与全连接层的关系

原创 MuchGCN：Multi-Channel Graph Convolutional Networks

原创 DiffPool: Hierarchical Graph Representation Learning with Differentiable Pooling

原创 Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks

原创 MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions

原创 GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions

原创 Dual-Primal Graph Convolutional Networks 对偶-原始图卷积神经网络

原创 PAT_A 1024. Palindromic Number (25)

原创 PAT_A 1019. General Palindromic Number (20)

原创 PAT_A 1017. Queueing at Bank (25)

原创 PAT_A 1015. Reversible Primes (20)

原创 PAT_A 1013. Battle Over Cities (25)

原创 PAT_A 1012. The Best Rank (25)

原创 PAT_A 1005. Spell It Right (20)

转载 PAT_A 1010. Radix (25)

妙趣横生的算法

程序员实用算法

清华大学全套计算机教程

［高清］Database System Concept 6ed

《离散数学及其应用》第六版中文版

空空如也