读《Node and graph similarity: Theory and Applications》③

最新推荐文章于 2022-06-27 15:22:32 发布
最新推荐文章于 2022-06-27 15:22:32 发布
阅读量128 收藏
点赞数
分类专栏： 论文 小白
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/weixin_40459958/article/details/119253165
版权

Known node correspondence

评定图相似度的方法应有的素质：
在这里插入图片描述
另外也应满足的要求：

  1. 边的重要性
    断开一条边要比对连接的小扰动重要的多
  2. 边的权重
    权重越大的边越重要
  3. 边的子模块性（submodularity）
    “收益递减”：图越稀疏，“fixed” change越重要
  4. 目的性
    有目的的改变比对同一元素的随意改动更重要

提出了一种基于欧氏距离的deltacon方法http://arxiv.org/pdf/1304.4657满足这四个要求
在这里插入图片描述
（就没啥收获，有点麻）

Mighty_Crane
关注
专栏目录
GNN 2021(五) Node Similarity Preserving Graph Convolutional Networks，WSDM
qq_36618444的博客
04-17 1274
本文证实了GNNs的聚集过程往往会破坏原始特征空间中的节点相似性，因此提出了SimP-GCN框架在利用图结构的同时能够有效地保持节点相似性。具体来说，为了平衡图结构和节点特征的信息，提出了一种自适应集成图结构和节点特征的特征相似性保持聚合。此外，使用自监督学习明确捕获节点之间的复杂特征相似性和不相似性关系（添加了正则化项）。我们在7个基准数据集上验证了SimP-GCN的有效性，包括3个同分类图和4个非同分类图。结果表明，SimP-GCN优于代表性基线。 INTRODUCTION 通过实证研究，本文证明:(.
Graph Neural Networks: A Review of Methods and Applications（图神经网络：方法与应用综述）
weixin_41697507的博客
07-06 5418
Graph Neural Networks: A Review of Methods and Applications Jie Zhou , Ganqu Cui , Zhengyan Zhang , Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Abstract—Lots of learning tasks req...
Graph圖的相似性計算的極值問題
u012553625的博客
08-05 549
數據集的相似性計算，其應用十分廣汎，在現有的各類人工智能的底層算法中，大多數都是基於概率（可能性）的近似計算，然後取最大可能性的近似值。參考理解计算：从根号2到AlphaGo ——第1季 从根号谈起（https://ufqi.com/news/ulongpage.191.html）。 另外使用神經網絡可以模擬任意曲綫函數，A visual proof that neural nets can compute any function（http://neuralnetworksanddeeplea...
(NIPS 21) CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration
dloading7的博客
06-27 985
CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration
Paper：《Graph Neural Networks: A Review of Methods and Applications—图神经网络:方法与应用综述》翻译与解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-08 7962
Paper：《Graph Neural Networks: A Review of Methods and Applications—图神经网络:方法与应用综述》翻译与解读目录《Graph Neural Networks: A Review of Methods and Applications》翻译与解读Abstract1、Introduction介绍2、General design pipeline of GNNs—GNN通用设计流水线2.1、Find graph structure—查找图结构2.2、
Research on Facebook and Social Graph
cww97的博客
05-14 1021
reading-report-2-cww97 Research on Facebook and Social Graph Weiwen Chen 10152510217 School of Computer Science and Software Engineering East China Normal University cww970329@qq.com Abstract: A...
Paper Notes: A Comprehensive Survey on Graph Neural Networks
HotChoc的博客
03-05 1139
A Comprehensive Survey on Graph Neural Networks LINK: https://arxiv.org/abs/1901.00596 CLASSIFICATION: GNN, SURVEY YEAR: 2019 FROM: ArXivID:1901.00596 WHAT PROBLEM TO SOLVE: Existing surveys...
Vessel Extraction Techniques and Algorithms : A Survey
weixin_34129145的博客
03-10 717
Abstract Vessel segmentation algorithms are critical components of circulatory blood vessel analysis systems. We present a survey of vessel extraction techniques and algorithms, putting the...
斯坦福课程Knowledge Graphs-What is a Knowledge Graph?
anqi3776的博客
09-02 1576
斯坦福课程Knowledge Graphs-What is a Knowledge Graph?1. Introduction2. Knowledge Graph Definition3. Recent Applications of Knowledge Graphs3.1 Knowledge Graphs for organizing Knowledge over the Internet3.2 Knowledge Graphs for Data Integration in Enterprises4.
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
HOW POWERFUL ARE GRAPH NEURAL NETWORKS?
weixin_41697507的博客
07-06 3318
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? ABSTRACT Graph Neural Networks (GNNs) are an effective framework for representation learning of graphs. GNNs follow a neighborhood aggregation scheme, where the...
关于多模态融合
weixin_40459958的博客
09-03 4720
源自论文《基于GCN的手指生物特征识别方法研究》 —————————— 主要分为四个层次，像素层、特征层、匹配层、决策层 像素层：研究原始数据，例如对图像数据是基于像素矩阵。 当像素矩阵维度差异较大时，需要舍弃图片维度较大的模态的部分特征，或者对维度较小的特征进行维度扩大，这会降低识别率和识别效率； 同时，图像本身冗余噪声多也不利 特征层：研究提取出的各模态特征，这时可以用典型相关分析、主成分分析等 依然需要克服模态间维度不统一以及融合后维度爆炸等问题，特征相差较大的模态有时还需要各自不同千差万别的特征表达
总结一些transforms，数据增强的方式
weixin_40459958的博客
04-27 4515
记个原图 all = [“Compose”, “ToTensor”, “PILToTensor”, “ConvertImageDtype”, “ToPILImage”, “Normalize”, “Resize”, “Scale”, “CenterCrop”, “Pad”, “Lambda”, “RandomApply”, “RandomChoice”, “RandomOrder”, “RandomCrop”, “RandomHorizontalFlip”, “RandomVerticalFlip”, “
numpy和torch的乘法函数
weixin_40459958的博客
12-01 2182
numpy >>> a array([[1, 2], [3, 4]]) >>> b matrix([[1, 2], [3, 4]]) >>> c array([1, 2, 3, 4]) >>> d array([[1, 2], [3, 4], [5, 6]]) >>> e array([[1, 3, 5], [2, 4, 6]]) >>
读《SimGNN: A Neural Network Approach to Fast Graph Similarity Computation》
weixin_40459958的博客
08-04 1931
（没想到这代码依然没啥可挖掘的，想再对照一下tensorflow版本，结果这个就十分丰满，甚至需要java。 另外这数据集也很有问题，github上总共就100个json，一点没改，就只能跑100，作者的例图直接11000，就很神秘，况且连数据集的实际意义都不说，比多图递归矩阵补全的那个数据集还要敷衍） 2018 摘要 在图相似/图距离这一块，GED和最大公共子图MCS是个核心，但成本很大 首先设计一个可学习嵌入函数，把每个图映射成嵌入向量 依照相似度矩阵有zhuyii ...
读SimGNN复现
weixin_40459958的博客
08-03 1637
这次先看代码再看论文 上来就是典中典的库包安装问题，尝试C艹14未果，勉强用whl安上，而且怀疑作者是在Linux上的实验，版本都用的好低，咱这只能用win10标配版本凑活了 batch_size=128, bins=16, # 保存相似度 bottle_neck_neurons=16, # 瓶颈层神经元 dropout=0.5, epochs=5, filters_1=128, filters_2=64, filters_3=32, histogram=False, # 直方图 learnin
读《graph2vec: Learning Distributed Representations of Graphs》
weixin_40459958的博客
09-06 1628
摘要 对于考察整个图的任务，比如分类聚类，还是得靠图核，但图核依赖人工（就是不能端到端呗？） 本文提出用神经嵌入学习任意大小图的分布表示，该嵌入是无监督得来的即与任务无关 引言 传统方法是将图表示成固定大小以适配机器学习算法 图核是通过递归的将G和G’归为子结构（如随机游走，最短路图元等）来计算一个核值也即相似性：在子结构上定义一个核函数（如，计算公共子结构数量），进而采用SVM分聚类 缺陷：①没有显式的图嵌入，这样需要嵌入向量的ML方法（如随机森林，神经网络）就没辙了（不都说是用SVM了吗，那干嘛还考虑R
复现Reasoning with Heterogeneous Graph Alignment for Video Question Answering
weixin_40459958的博客
10-09 1265
首先tgif数据集里没有Vocabulary，所以换用gif数据集 No module named ‘colorlog’ pip install colorlog No module named ‘block’ pip install block.bootstrap.pytorch ordinal not in range(128) 调了半天utf编码啥的都不行，结果全都改回去了反而就可以跑了 AttributeError: Can’t get attribute ‘_init_fn’ on <mod
graph neural networks: a review of methods and applications
最新发布
03-16
图神经网络：方法和应用综述 图神经网络是一种基于图结构的深度学习模型，它可以对图数据进行建模和预测。本文综述了图神经网络的各种方法和应用，包括图卷积网络、图注意力网络、图自编码器等。这些方法可以用于图分类、节点分类、图生成、链接预测等任务。此外，本文还介绍了图神经网络在社交网络、化学、计算机视觉等领域的应用。
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