GNN-图卷积模型-直推式-2016：GCN【消息传递（前向传播）：聚合函数+更新函数】【聚合函数：mean（邻域所有节点取平均值）】【训练更新函数的参数】【空域+频域】【同质图】

已于 2024-02-14 13:32:52 修改
阅读量1.7k 收藏 8
点赞数
分类专栏： 图神经网络 文章标签： 神经网络 自然语言处理
于 2021-08-15 10:45:55 首次发布
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/u013250861/article/details/119710757
版权
本文深入探讨图卷积神经网络GCN的理论与应用，涵盖图数据的空域与频域分析，重点讨论拉普拉斯矩阵在GCN中的作用，以及如何通过特征分解进行图傅里叶变换和卷积操作。GCN通过图的局部结构和节点特征提取特征，适用于社交网络、信息网络等多种图结构数据的分析与处理。
摘要由CSDN通过智能技术生成

在这里插入图片描述

一、概述

在扎进GCN的汪洋大海前，我们先搞清楚GCN是做什么的，有什么用。深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，而GCN主要是针对图结构的。社交网络、信息网络中有很多类似的结构。实际上，这样的网络结构（Non Euclidean Structure）就是图论中抽象意义上的拓扑图。

1、摘要核心

1 . 本文提出了一种基于图的结构数据的半监督学习框架，该方法可直接在图上进行卷积操作。
2 . 卷积核的设计是通过图频域分析的局部一阶逼近的计算。
3 . 本文的模型运行效率高，通过图的局部结构（邻接矩阵 A A

了解本专栏 订阅专栏 解锁全文 超级会员免费看
u013250861
关注
专栏目录
订阅专栏
Pytorch实现GCN(基于Message Passing消息传递机制实现)
CSDN 精品推荐
01-20 5403
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
GNN-图卷积模型-直推式&归纳式-2017：GAT【消息传递（前向传播）：聚合函数+更新函数】【聚合函数：attention（邻域所有节点根据注意力机制进行加权）】【训练更新函数的参数】【同质图】
u013250861的博客
08-15 5015
图神经网络(GNN)：GAT【Attention机制】
利用DGL中的消息传递API手搭GCN实现节点分类
KI的博客
07-10 1745
利用DGL中的消息传递API手搭GCN实现节点分类
GNN - Task2: 消息传递范式 - DataWhale21-06期
Captainjoy的博客
06-20 263
GNN - Task2: 消息传递范式 消息传递范式我觉得是节点表征(Node Representation)的一种形式，它是一种聚合邻接节点信息来更新中心节点信息的方法。你可以想象成就是有一条链上，链上的节点在一个个挨着更新的感觉。 消息传递范式的传递公示中有卷积算子，所以用张量的形式(神经网络)实现了图的更新学习，消息传递范式因为简单、强大的特性，于是被人们广泛地使用。 这个任务我们会学习这几个内容： 剖析MessagePassing基类 学习继承MessagePassing基类的GCNConv类 覆
PyG教程(5)：剖析GNN中的消息传播机制
LW的技术小筑
06-16 2373
众所周知，图神经网络可以从空域或谱域来对其进行研究。其中，空域角度主要借助消息传播机制来构建GNN。本文主要介绍的是消息传递机制，为下篇文章具体介绍PyG中是如何实现消息传播机制做好铺垫。...
GNN-图卷积模型-2015：GGNN【消息传递（前向传播）：聚合函数+更新函数】【更新函数：GRU】【训练更新函数的参数】
u013250861的博客
08-15 2058
图神经网络(GNN)：GGNN【门控图神经网络】
GNN-图卷积模型-2017：MPNN（消息传递神经网络）【消息传递（前向传播）：聚合函数(消息传递)+更新函数(状态更新)】【图卷积模型统一框架】
u013250861的博客
08-15 1525
从设计理念上看，空域卷积与深度学习中的卷积的应用方式类似，其核心在于聚合邻居结点的信息。比如说，一种最简单的无参卷积方式可以是：将所有直连邻居结点的隐藏状态加和，来更新当前结点的隐藏状态。这里非参式的卷积只是为了举一个简单易懂的例子，实际上图卷积在建模时需要的都是带参数、可学习的卷积核。消息传递网络(MPNN)是由Google科学家提出的一种模型。严格意义上讲，MPNN不是一种具体的模型，而是一种空域卷积的形式化框架。消息传递与状态更新操作，分别由Ml⋅Ml​⋅和Ul⋅Ul。
GNN-图卷积模型-归纳式-2017：GraphSAGE【消息传递（前向传播）：聚合+更新】【聚合函数：lstm/pool】【训练更新函数参数】【不全图卷积，每次采样一批节点来卷积训练】【同质图】
u013250861的博客
08-15 923
图神经网络(GNN)：GraphSAGE【归纳式学习框架】
图学习笔记（六）：图神经网络算法（一）——GCN和GAT、消息传递机制
Wangzx的博客
01-31 2723
图学习笔记（六）：图神经网络算法（一）图神经网络GNN的兴起:回顾图卷积网络GCN（Graph Convolutional Network）问题1：如何从图像卷积，类比到图结构卷积？图像卷积和图结构卷积区别：图卷积网络计算公式：问题2：怎么用消息传递方式实现图卷积网络？（两步骤）问题3：怎么用多层图网络完成节点分类任务？——GCN算法的全流程GCN参数补充解释图注意力网络GAT(Graph Attention Network)图卷积网络（GCN）和图注意力网络（GAT）区别：Message Passing消
la-gcn-torch:PyTorch中用于图卷积网络的可学习聚合器的实现
03-14
PyTorch中用于图卷积网络的可学习聚合器 PyTorch中用于图卷积网络的可学习聚合器的实现。 通过引入共享的辅助模型为GCN（LA-GCN）提供可学习的聚合器，该模型在邻域聚合中提供了自定义架构。 在此框架下，提出了一种称为LA-GCN（Mask）的新模型，其中包括一个新的聚合函数，即掩码聚合器。 辅助模型为给定节点的每个邻居学习一个特定的掩码，从而可以同时注意节点级别和功能级别。 该机制将学习为预测的节点和特征分配不同的重要性，从而为预测提供可解释的解释并提高模型的鲁棒性。 张力，吕海萍， ://dl.acm.org/doi/abs/10.1145/3340531.3411983（CIKM 2020） 对于官方实施 要求 PyTorch 0.4或0.5 Python 2.7或3.6 训练 python train.py 参考 [1] [2]
函数图 卷积神经网络_图卷积神经网络（GCN）
weixin_32689769的博客
12-25 1133
1.GCN起源出现原因神经网络在各种传统任务上都体现出了惊人的效果，如：CNN系列在图像领域的结果、RNN系列在序列数据上表现出的效果。而使用较为广泛的图数据却很少有相应的模型供我们直接使用。为什么火的是图卷积神经网络，而不是图循环神经网络卷积神经网络实质上是从一个小范围的节点/像素特征中通过卷积核学习提取到深层次空间特征，进而得到最终结果的过程（稀疏交互、参数共享、平移不变性），这个思想移植到图...
图卷积神经网络
maogaui的博客
09-26 1565
卷积网络的简单是实现 1.卷积神经网络 GCN 是一类非常强大的用于图数据的神经网络架构。事实上，它非常强大，即使是随机初始化的两层 GCN 也可以生成图网络中节点的有用特征表征。下图展示了这种两层 GCN 生成的每个节点的二维表征。请注意，即使没有经过任何训练，这些二维表征也能够保存图中节点的相对邻近性。 更形式化地说，图卷积网络（GCN）是一个对图数据进行操作的神经网络。给定图 G = (V, E)，GCN 的输入为： 1，一个输入维度为 N × F⁰ 的特征矩阵 X，其中 N 是图网络中的节点数而
图卷积网络详细介绍（一）
热门推荐
Javy Wang
11-09 1万+
在图上进行机器学习是一项困难的任务，因为它的复杂性很高，同时也是由于信息丰富的图结构。这篇文章是关于如何用图卷积网络(GCNs)对图进行深度学习的系列文章中的第一篇。本文翻译自Tobias Skovgaard Jepsen写在Medium上的介绍文章，已经获得其本人的许可。
利用numpy实现GCNs的传递过程实例
十二月未央未眠
06-06 410
0.引言 CNN能够对欧式空间结构的数据进行处理，但无法很好的处理非欧式空间结构的数据，例如知识图谱、社交关系、生物分子结构等。而2016年提出的图卷积网络（Graph Convolutional Networks, GCNs），则可以很好的处理这些数据，并能够取得很好的效果。本文将利用numpy实现一个简易的图卷积网络，进而展示GCN如何从上一层聚集信息，以及该机制如何在图中生成有用的节点特征表示。 注意：如果没有任何GCNs的基础，建议在阅读本文之前，先阅读GCNs介绍 1.再谈GCNs 在机器学习中，
【图神经网络】多核卷积拓扑图（TAGCN）
weixin_44413191的博客
10-11 4204
本文为图神经网络的学习笔记，讲解多核卷积拓扑图 TAGCN。
GCN传播公式理解
ziqingnian的博客
10-10 720
图卷积浅谈 Graph Convolution
shiruicongUCAS的博客
07-07 1142
图卷积浅谈 Graph Convolution 1.图数据 欧氏空间包含了欧氏几何和非欧几何两种。传统的数据类型，如1维数据（声纹、语音）、2维数据（图像）、三维数据（视频）都是欧式空间上的数据，而图数据和流形数据都是非欧式空间上的数据。 图数据是一种非常重要的数据类型，图是由节点和边组成的，图可以分为有向图和无向图。常见的图结构的数据有：社交网络、引文网络、分子结构等。通过对图数据的研究，可以应...
GCN学习笔记
jijinglong1234的博客
09-17 677
GCN学习笔记欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markd...
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