![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图神经网络
八荒_
这个作者很懒,什么都没留下…
展开
-
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 Networks INT原创 2020-06-18 23:03:32 · 1017 阅读 · 0 评论 -
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原创 2020-06-02 21:24:24 · 3144 阅读 · 1 评论 -
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 Pooling Motivation 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无法以分层的原创 2020-06-02 17:24:42 · 791 阅读 · 0 评论 -
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原创 2020-06-01 19:59:18 · 1691 阅读 · 10 评论 -
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是原创 2020-05-31 21:20:34 · 882 阅读 · 0 评论 -
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。这样的方法只考虑原创 2020-05-27 20:52:14 · 1041 阅读 · 2 评论 -
Dual-Primal Graph Convolutional Networks 对偶-原始图卷积神经网络
论文地址:Dual-Primal Graph Convolutional Networks 这篇论文的主要工作是通过构建对偶图Dual Graph的方式将原图的边转换成对偶图中的节点,从而获得edge embedding。 什么是对偶图? 原文中给出了这样的解释: Let G=(V,E)\mathcal{G}=(\mathcal{V}, \mathcal{E})G=(V,E)be a given directed graph, to which we refer as the primal graph.原创 2020-05-26 16:29:31 · 2118 阅读 · 1 评论