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1.6k 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

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
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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 5317
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。
偏微分方程算法之向前欧拉法（Forward Euler）
欢迎各位大佬光临“寒舍”！请多多指点，共同进步！
04-09 1924
介绍抛物型偏微分方程有限差分解法-向前欧拉法，对应算例的C++代码实现及计算结果分析。
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 1592
利用DGL中的消息传递API手搭GCN实现节点分类
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 4987
图神经网络(GNN)：GAT【Attention机制】
GNN - Task2: 消息传递范式 - DataWhale21-06期
Captainjoy的博客
06-20 248
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 2175
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:图卷积网络（GCN）教程
05-12
通过阅读源码，你可以了解如何加载图数据、构建GCN模型、定义损失函数和优化器，以及如何在图数据上执行前向传播和反向传播。 1. 数据处理：可能包含数据加载、图构建、特征提取和预处理等步骤。 2. 模型构建：定义...
Python-图卷积网络相关文献汇总
08-11
图卷积网络（Graph Convolutional Networks，简称GCNs）是一种在图数据上进行深度学习的模型，由Kipf和Welling于2016年提出，它将卷积神经网络的概念扩展到了非欧几里得数据结构，如社交网络、化学分子结构等。...
图卷积GCN模型学习（CSND追光者整理搜集）.zip
12-27
1. **图神经网络基础**：图神经网络（GNN）是一类适用于处理图结构数据的深度学习模型，它通过消息传递机制在图中的节点之间进行信息交换和聚合，从而学习节点的表示。GCN是GNN的一个重要分支，它在图的邻接矩阵上...
Python-pregel图卷积网络的Tensorflow实现
08-11
GCN通过在图的邻接矩阵上进行信息传播和聚合，提取节点的局部特征，从而学习节点的表示。 3. **TensorFlow**：TensorFlow是Google开发的一个开源库，用于数值计算，特别适合构建和训练深度学习模型。它支持数据流图...
图机器学习峰会-1-6 深度图卷积神经网络模型探索.pdf
07-05
一种方法是设计消息聚合函数，以减少信息丢失和提高模型的表达能力。同时，考虑到内存效率，需要优化模型结构，确保在处理大规模图时的计算可行性。自动设计GNN架构的序列贪婪搜索方法被提出，它能在保持性能的同时...
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]
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 2546
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
函数图 卷积神经网络_图卷积神经网络（GCN）
weixin_32689769的博客
12-25 1053
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 1554
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
06-06 303
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 3998
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
10-10 661
PyG中的聚合函数是干嘛的
最新发布
06-13
在PyG（PyTorch Geometric）库中，聚合函数是用于处理图数据集中节点或边级别的向量信息的关键组件。它们的主要作用是将每个节点或边的特征向量进行汇总，以便对整个图结构进行操作，例如计算全局特征、执行图级别的...

“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