![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文
文章平均质量分 68
Mighty_Crane
这个作者很懒,什么都没留下…
展开
-
读《基于深度学习的跨视角步态识别算法研究》
2020原创 2022-11-28 15:00:56 · 865 阅读 · 0 评论 -
读《FVT: Finger Vein Transformer for Authentication》
2022,SCIViT应用于FV识别原创 2022-06-01 04:32:47 · 369 阅读 · 0 评论 -
读《Linking Convolutional Neural Networks with Graph Convolutional Networks: Application in Pulmonary》
原创 2021-12-31 02:39:03 · 255 阅读 · 2 评论 -
读《GCNDepth: Self-supervised Monocular Depth Estimation based on Graph Convolutional Network》
2021摘要传统的CNN不支持拓扑结构,它们只能适用于具有确定大小和权重的规则图像区域。另一方面,图卷积网络(GCN)可以处理非欧几里得数据上的卷积,并可以应用于拓扑结构内的不规则图像区域。因此,在本工作中,为了保持目标的几何外观和分布,我们的目标是利用GCN的自监督深度估计模型两条自编码,其一是resnet50提特征,然后多尺度GCN估计深度图,其二是resnet18提取,然后再估计两个连续帧之间的运动(序列?还是自注意力什么的)引言深度估计(大致理解有些类似测步数,就是前方视野有多远,美术原创 2021-12-29 15:51:48 · 1187 阅读 · 0 评论 -
读《On-the-Fly Finger-Vein-Based Biometric Recognition Using Deep Neural Networks》
2020,IEEE摘要主要是解决采集图像麻烦,可以让志愿者随便刷一下就采集,而不是等上还几秒(视频截帧)传统方法:1.基于几何(最大曲率,基于像素细节纹理)2.流形学习(PCA)(但是还没说用啥数据呢,对啥降维?)3.基于统计(LBP等直方图)4.基于局部不变(SIFT)5.深度学习指标:正确识别率CIR方法:CNN提取特征,然后用LSTM考察图像帧之间关系(但是CNN输出的顺序也就是一开始输入的顺序,应该是有shuffle的,那还有什么序列好让LSTM去学的,不如用transforme原创 2021-12-28 17:55:30 · 701 阅读 · 0 评论 -
读《Vein-based Biometric Verification using Transfer Learning》
2020摘要主要是静脉识别,包括指静脉、掌静脉、背静脉指出小样本多分类限制了深度学习(但是我的数据集用CNN效果就是牛逼啊。。。)引言鉴于在线服务的大量扩散和发展,以及对隐私和安全相关的关注点的新出现,传统的认证系统在可靠性和用户方便性方面很难满足实现适当的访问控制机制的要求。因此,为了处理这些方面,对行为和物理生物识别系统的需求不断增加。然而,最广泛应用的外部生物特征特征,如面部、指纹、虹膜和声音,明显容易发生表示攻击。例如,人脸识别系统可能会被人工人脸模型[1]所欺骗,即使是新手也可以在几个原创 2021-12-28 16:23:14 · 531 阅读 · 0 评论 -
读Reasoning with Heterogeneous Graph Alignment for Video Question Answering复现②
主要是看其提出的注意力模块①输入##### SelfAttentionLayer输入q[128, 15, 512]或者v[128, 80, 512]作为inputattn_mask = padding_mask_k(input, input)softmax_mask = padding_mask_q(input, input)##### SingleAttentionLayer输入两个模态q和vattn_mask = padding_mask_k(q, v)softmax_mask =原创 2021-11-10 15:26:21 · 1062 阅读 · 0 评论 -
读《Adversarial Autoencoders》
2016(虽然算是比较老的论文了,但是本来一方面我就只是拿来用到一个小环节中,这这里纠结太久了,另一方面也是在paperwithcode上看了一圈的代码,到这终于能运行出来东西了????)摘要本文提出了“对抗性自编码器”(AAE),这是一种概率自编码器,使用生成对抗性网络(GAN),通过将自动编码器的隐藏编码向量的聚合后验与任意先验分布相匹配来进行变分推理(变分?那和变分自编码器VAE有啥关系吗?整的我还是分不清AE和VAE的区别)。与先验聚合后验匹配确保从先验空间的任何部分生成会产生有意义的样本。因原创 2021-11-03 17:43:14 · 396 阅读 · 0 评论 -
读《Selective Pseudo-Label Clustering》
摘要DNN可以提取到更适合聚类的特征表示,但是聚类又是无监督的,没有训练标签,怎么训练DNN特征提取器就很有问题现有的一些方法将DNN的训练与聚类目标结合起来,使聚类过程中的信息可以用来更新DNN,以产生更好的聚类特征。这种方法的一个问题是,由聚类算法产生的这些“伪标签”是有噪声的,它们所包含的任何错误都会损害DNN的训练。本文提出了选择性的伪标签聚类,它只使用最自信的伪标签来训练DNN。1.引言聚类不需要先验知识,不需要监督学习的显式标签,也不需要在自监督学习中利用的期望对称性和不变性的知识。原创 2021-11-03 11:32:50 · 507 阅读 · 0 评论 -
读Linkage Based Face Clustering via Graph Convolution代码复现
+-------------------+---------------------------------------+| Parameter | Value |+===================+=======================================+| Active connection | 10 |+-------原创 2021-11-02 16:08:34 · 103 阅读 · 0 评论 -
读《Linkage Based Face Clustering via Graph Convolution Network》
摘要根据人脸的潜在身份进行分组,将这个任务表述为一个链接预测问题:如果两个人脸具有相同的身份,那么它们之间就存在一个链接。关键在于在特征空间中发现局部上下文,学习实例和它的邻居之间的链接关系的丰富信息。(那就是说还是要有一定的丰富的连接关系?)通过在每个实例周围构建子图作为输入数据,以描述局部上下文,再利用图卷积网络(GCN)来执行推理,并推断子图中对之间链接的可能性。该方法不需要之前的聚类数量,它知道噪声和异常值,并且可以扩展到多视图版本,以获得更准确的聚类精度。(那敢情好啊)1.引言假设没有原创 2021-11-02 11:12:41 · 281 阅读 · 0 评论 -
复现Modality to Modality Translation: An Adversarial Representation Learning and Graph Fusion Network
说好的pytorch框架,结果加载个数据还得安tf和keras结果又是ordinal not in range(128)的报错这次可以判断是加上这段话解决的import pickle as pklfrom functools import partialimport torchpkl.load = partial(pkl.load, encoding="latin1")pkl.Unpickler = partial(pkl.Unpickler, encoding="latin1")加上re原创 2021-10-27 10:58:07 · 344 阅读 · 4 评论 -
读《GMC: Graph-based Multi-view Clustering》
摘要基于多视图的聚类旨在为多视图数据提供聚类解决方案。然而,大多数现有的方法都没有充分考虑不同视图的权重,而需要一个额外的聚类步骤来生成最终的聚类,甚至还得基于所有视图的固定图相似度矩阵来优化其目标。本文提出了一个通用的基于图的多视图聚类(GMC)来解决这些问题。GMC获取所有视图的数据图矩阵,并将它们融合起来生成一个统一的图矩阵。统一的图矩阵进而改进了每个视图的数据图矩阵,并直接给出了最终的聚类。一种新的多视图融合技术可以自动加权每个数据图矩阵,(有点类似于求和式的特征层融合?)得到统一的图矩阵。对翻译 2021-10-10 15:35:06 · 938 阅读 · 0 评论 -
读《Modality to Modality Translation: An Adversarial Representation Learning and Graph Fusion Network》
摘要主流的模态融合方法未能实现学习多模态的嵌入空间这一目标本文提出了一种新的对抗性编码器-解码器分类器框架由于不同模态的分布在本质上有所不同,为了减少模态差距,使用对抗性训练通过各自的编码器将源模态的分布转换为目标模态的分布。此外,通过引入重构损失和分类损失来对嵌入空间施加额外的约束。然后利用层次图神经网络融合编码表示(是把图融合成编码向量,还是融合成图后再进一步得到编码),明确地探索了多阶段的单峰、双峰和三峰相互作用引言(Baltrusaitis, Ahuja, ˇand Morency 2翻译 2021-10-09 20:10:08 · 607 阅读 · 0 评论 -
复现Reasoning with Heterogeneous Graph Alignment for Video Question Answering
首先tgif数据集里没有Vocabulary,所以换用gif数据集No module named ‘colorlog’pip install colorlogNo module named ‘block’pip install block.bootstrap.pytorchordinal 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原创 2021-10-09 15:06:21 · 1236 阅读 · 0 评论 -
读《Reasoning with Heterogeneous Graph Alignment for Video Question Answering》
摘要主要的视频问题回答(VQA)方法是基于细粒度表示或特定于模型的注意机制。他们通常分别处理视频和问题,然后将不同模式的表示输入后续的后期融合网络(决策层融合?)。虽然这些方法使用一种模态的信息来增强另一种模态,但它们忽略了在统一模态中整合模态间和模态内的相关性。本文提出了一个深度异构对视频图对齐网络。从四个步骤来探索网络架构:表示、融合、对齐和推理。在我们的网络中,模态间信息和模态内信息可以在异构图上同时对齐和交互,并用于跨模态推理。1.引言视频问题回答(VideoQA)旨在通过给出视频和相关文翻译 2021-10-09 11:47:35 · 369 阅读 · 3 评论 -
读《Adaptive Weighted Graph Fusion Incomplete Multi-View Subspace Clustering》
摘要大多数现有的多视图聚类方法都假设所有的视图都是完整的。然而,在许多真实场景中,多视图数据往往是不完整的,例如,硬件故障或数据收集不完整。(发现问题,必要性)本文提出了一种自适应加权图融合不完全多视图子空间聚类(AWGF-IMSC)方法来解决不完全多视图聚类问题。首先,为了消除原始空间中存在的噪声,将完整的原始数据转换为潜在的表示(深度表示呗),这有助于更好地构建每个视图的图。然后,我们将特征提取和不完全图融合合并到一个统一的框架中,而两个过程可以相互协商,用于图学习任务。对完整图进行稀疏正则化翻译 2021-10-08 20:33:51 · 434 阅读 · 0 评论 -
读《Graph Fusion for Finger Multimodal Biometrics》
摘要模态图像的尺度不一致是影响有效融合的一个重要原因。因此,研究一种对多模态特征的统一表达是非常重要的。本文提出了一种基于图的手指生物特征图像的特征提取方法。基于图结构的特征表达可以很好地解决多模态之间特征空间不匹配问题。1.引言生物识别允许根据一组可识别的特定数据进行识别和验证[1]。随着精确认证的需求不断增加,仅使用单峰生物特征特征进行识别就不行了[2]。多模态融合生物识别技术通过整合单模态特征信息,通常在普遍性、准确性和安全性[3]、[4]方面表现得更好。但是多模态特征空间的不匹配,仍然翻译 2021-10-08 17:06:49 · 254 阅读 · 0 评论 -
读《Deep Multimodal Representation Learning: A Survey》
摘要多模态表示学习旨在缩小不同模态之间的异质性差距,利用普遍存在的多模态数据。基于深度学习的多模态表示学习具有强大的多层次抽象表示能力。为了便于关于如何缩小异质性差距的讨论,根据不同模式集成的底层结构,本综述将深度多模态表示学习方法分为三个框架:联合表示、协调表示和编码器-解码器。此外,还回顾了这一领域的一些典型模型。本文强调了新技术的关键问题,如编码解码器模型、生成对抗网络和多模态表示学习的注意机制。对于每个框架或模型,本文讨论其基本结构、学习目标、应用场景、关键问题、优缺点。1.引言在翻译 2021-10-07 18:56:19 · 2421 阅读 · 0 评论 -
读《Adaptive Weighted Graph Approach to Generate Multimodal Cancelable Biometric Templates》
摘要生物特征数据的融合是一项艰巨的任务,降低了多模态系统对不同类型和维度的生物特征特征的就业能力。(研究难点)此外,针对对手攻击的全面解决方案没有确保模板保护和防止演示攻击的到位。(现实意义)本文则是基于关键图像的通用特征提取技术,降低了特征维数,实现了可撤销性。通过来自不同模式的互补信息的交叉扩散,保证了不可逆性和无关联性(unlinkability)。提出了一种基于自适应图的特征融合方法来生成多模态可取消(cancelable)的生物特征模板。针对表示攻击的鲁棒性是通过基于质量的特征适应来实现的翻译 2021-10-06 22:13:58 · 314 阅读 · 2 评论 -
读《Action Recognition Based on the Fusion of Graph Convolutional Networks with High Order Features》
摘要图卷积神经网络利用骨架数据的时空特征在动作识别任务中很有用。提取时空特征的常用方法纯粹依赖于一个深度网络来从原始的三维位置中学习。本文提出了一种新的动作识别方法,利用骨架数据的高阶时空特征,如速度特征、加速度特征和三维关节之间的相对距离。同时,采用了一种多流特征融合的方法来融合提出的这些高阶特征。(摘要倒是没说明研究必要性和意义啊)1.引言动作识别的任务存在许多传统方法难以解决的问题,如如何处理遮挡、照明变化、人类动作在单帧内的定位和识别,以及提取帧级[1]的关系。基于深度的人类动作识别方翻译 2021-10-06 17:30:56 · 308 阅读 · 0 评论 -
读《A Novel Graph-based Multi-modal Fusion Encoder for Neural Machine Translation》
摘要当前多模态机器翻译NMT模型并不能充分利用不同模态的语义单元之间的细粒度语义对应,这具有细化多模态表示学习的潜力1.引言NMT将图像作为额外的输入扩展文本翻译如何充分利用视觉信息是多模态NMT的核心问题之一,它直接影响了模型的性能1)将每个输入图像编码成全局特征向量,可用于初始化多模态NMT模型的不同组件,或作为额外的源标记,或学习联合多模态表示;2)提取基于对象的图像特征以初始化模型或补充源序列,或生成基于注意的视觉上下文3)将每幅图像表示为空间特征,可以作为额外的上下文利用,或通过注意原创 2021-10-06 15:56:45 · 360 阅读 · 0 评论 -
读《AnonymousNet: Natural Face De-Identification with Measurable Privacy》
2019摘要现有的人脸图像去识别技术要么在photo-reality中insufficient(?),要么无法定性和定量地平衡隐私和可用性,也就是说,这些方法没法解释“它凭啥能保护隐私?”,“它能多保护隐私?”,以及“它还能更私密吗?”(可解释性,性能指标,未来展望)本文框架包括四个阶段:面部属性估计、面向隐私度量的面部混淆、定向自然图像合成和对抗性扰动。首个证明面部隐私是可度量的,可以因子分解,从而以逼真的方式进行操作,以满足不同的需求和应用场景。1.引言网络中广泛传播的视觉图像信息存在机密隐原创 2021-10-05 19:33:49 · 451 阅读 · 0 评论 -
读《Multimodal deep representation learning for protein interaction identification and protein family》
摘要提出了一种多模态的深度表示学习结构,通过结合蛋白质的物理化学特征和蛋白质-蛋白质相互作用(PPI)网络中的图拓扑特征不仅考虑到蛋白质序列信息,而且可以识别PPI网络中每个蛋白质节点的拓扑表示背景传统的机器学习技术缺乏发现隐藏关联和从输入的复杂数据中提取判别特征的能力。从这些蛋白质网络的图拓扑中发掘多样的生物模式是理解细胞及其结构蛋白质的功能的基础。当将深度学习技术应用于生物网络分析时,这些模式包括拓扑相似性,如一阶相似性、二阶相似性和从蛋白质序列中提取的同源性特征。本文保留不同的模式来获取蛋原创 2021-10-04 23:46:34 · 131 阅读 · 0 评论 -
读《Hybrid neural recommendation with joint deep representation learning of ratings and reviews》
摘要协同过滤等基于评级的推荐方法仍存在数据稀疏性问题,于是可以考虑融合评级和文本评论来学习更好的表示1.引言文本评论中包含了用户对项目的丰富信息[1,2,7-10]但这样也存在评论文本本身比较含糊,冗余噪声不过评级和评论本身可以互补,评论可以衡量一个评级的有效性本文采用MLP显式学习评级的深度特征,通过CNN提取评论语义特征再聚合起来,最后通过**[5]提出的LFM**来结合评级和评论得到预测...原创 2021-10-04 22:16:51 · 122 阅读 · 0 评论 -
读《Deep Representation Learning With Full Center Loss for Credit Card Fraud Detection》
摘要从深度神经网络的损失函数方面获取法律交易和欺诈交易的深度特征表示获得更好的特征可分性和可辨别性,从而提高欺诈检测模型的性能,保持其稳定性。提出了一种新的损失函数,全中心损失(FCL),它同时考虑了特征之间的距离和角度,从而可以全面监督深度表征学习1.引言用机器学习处理信用卡欺诈检测比传统的图像二分类多了两个麻烦:数据集的类不平衡和用户和欺诈者[2],[8]行为的动态变化。一方面,可用的欺诈交易记录数量非常少,严重影响了监督分类的性能[9]。当前也有解决思路,如基于采样的方法[9,10,17翻译 2021-10-03 19:22:37 · 155 阅读 · 0 评论 -
读《A De-Identification Face Recognition Using Extracted Thermal Features Based on Deep Learning》
2020摘要随着文明的不断进步,对个人隐私的保护和制度的有效性更加严格。在过去的研究中,与面部特征的距离被用来作为去识别的生物学特征,但这并不能解决使用照片来欺骗系统的问题。1.引言近年来,随着科技发展迅速,越来越多的场合开始关注人员身份问题,特别是在国家安全或高机密研究地点。这时如果依赖于人工身份验证就非常容易受到非客观因素的影响,公平、公正、公开的原则受到挑战。因此,自动识别技术应运而生。早期的识别大多使用RFID标签(射频识别),但这种方法很容易被盗用复制,于是后来研究使用生物特征,比如翻译 2021-09-30 17:56:10 · 137 阅读 · 0 评论 -
读《SSS-PR: A short survey of surveys in person re-identification》
3.隐私国际隐私专业人员协会IAPP,定义了隐私是不受干扰或侵犯、保持匿名的权利(wps的垃圾翻译硬是解释成“取消该项权利”,意思大相径庭),信息隐私涉及对我们自己个人信息的控制。在可能侵犯隐私的方式[27](即观看、倾听、定位/跟踪、检测/感知、个人数据监控和数据分析)中,本文关注到最近火热的视觉监控,因为它们在未经人们同意的情况下(从互联网上)采集个人视觉数据。许多数据集也因此被停止使用。有两种解决方案来缓解隐私问题:设计隐私原则和隐私增强技术(PET)。前者较依赖伦理法律等人文科学。后者包括匿名原创 2021-09-29 10:54:12 · 104 阅读 · 0 评论 -
2021-09-08
GNN框架对于输入的每个batch,有100对图,每个图189个节点,共189*2*100=37800个节点有node_features [37800, 90]edge_features Nonefrom_idx 99154to_idx 99154graph_idx 37800labels 100GraphEmbeddingNet( (_encoder): GraphEncoder( (MLP1): Sequential( (0): Linear(i原创 2021-09-28 17:47:32 · 121 阅读 · 0 评论 -
读《Weighted Graph Based Description for Finger-Vein Recognition》
2017摘要首先根据图像生成图节点,通过对这些节点做Delaunay三角剖分,建立了表征图像块间空间关系的图边。对于给定的特征空间,这些边都可以局部表示两个相邻节点之间的关系。考虑到图像内容的局部变化,利用图像块统计对图边进行逐节点加权。这样一个图可以全局表示一个图像,其加权边可以局部描述图像块的关系。1.引言考察到不同指静脉间的差别具体可以体现在其静脉网络的随机差别,而要表征这种网络的特征,目前有如下方法方向场[6]向量场[2,5]角链[4]网络增强[3]其中也就基于链的方法对细节原创 2021-09-22 17:32:00 · 169 阅读 · 0 评论 -
读《graph2vec: Learning Distributed Representations of Graphs》
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原创 2021-09-06 16:44:51 · 1544 阅读 · 3 评论 -
读rwgnn实现
+--------------------+-------------+| Parameter | Value |+====================+=============+| Batch size | 64 |+--------------------+-------------+| Dataset | MUTAG |+--------------------+------------原创 2021-09-04 17:37:41 · 408 阅读 · 0 评论 -
关于多模态融合
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原创 2021-09-03 11:25:39 · 4600 阅读 · 0 评论 -
读Graph-Matching-Networks复现②匹配
——————————————或者换用图匹配GMNGraphMatchingNet( (_encoder): GraphEncoder( (MLP1): Sequential( (0): Linear(in_features=1, out_features=32, bias=True) ) ) (_aggregator): GraphAggregator( (MLP1): Sequential( (0): Linear(in_features=3原创 2021-08-29 21:18:51 · 473 阅读 · 0 评论 -
读《Transductive Zero-Shot Learning with Visual Structure Constraint》
有视觉结构约束的直推式零次学习摘要大多现有ZSL方法先是学习,在基于源已知类的视觉空间,和公共语义空间之间的兼容映射函数,然后直接将其应用于识别未知类对象。但是在实际场景中,源域和目标域之间的数据分布可能不匹配,存在域位移问题在观察到测试实例的视觉特征可以被划分到不同簇的基础上,本文提出了一种新的直推式ZSL类中心的视觉结构约束,以提高映射的泛用性(解决域位移问题)。采用三种不同的策略(对称室距离、二部匹配距离和瓦瑟斯坦距离)来对齐测试实例的映射出的未知语义中心和视觉簇中心。还提出新的训练策略来原创 2021-08-26 17:45:41 · 317 阅读 · 0 评论 -
读《Learning Representations of Graph Data -- A Survey》
4 核方法定义映射k,输入一对集合X,Y的笛卡尔积x,y∈X,Y,有k(x,y)对称性正定性:若kij=k(xi,xj)正定,即对任意系数ci,cj,对cicjk(xi,xj)的连加不小于0(这不是半正定吗?而且正定有啥用来着,为啥有这种需求)4.1 图的核方法结构袋Bag-of-Structures方法图核k(G, G′)记作两图特征向量的积现有图核均是基于R卷积核(这里的R指关系,应该是来自计算理论基础或者离散数学的定义)可分为图上核和图间核4.1.1 路径核随机游走核 [41]原创 2021-08-20 17:37:15 · 138 阅读 · 0 评论 -
读REGAL实现
记录一下美化args输出的模板from texttable import Texttabledef tab_printer(args): """ Function to print the logs in a nice tabular format. :param args: Parameters used for the model. """ args = vars(args) keys = sorted(args.keys()) t = Tex原创 2021-08-16 14:02:28 · 418 阅读 · 0 评论 -
读《REGAL: Representation Learning-based Graph Alignment》
2018摘要利用自动学习节点表示的能力来匹配不同图上的节点xNetMF,一种节点嵌入公式,可泛化到多网络问题(也就是可以用到图相似问题呗)1.引文许多图挖掘任务涉及跨多个网络的节点的联合分析,如网络对齐 [2, 18, 42] 和图相似性最近的进展 [9, 28, 35, 39] 使学习节点特征表示的过程自动化,并在下游预测、分类和聚类任务中取得了最先进的性能。 受这些成功的启发,本文通过匹配节点表示来提出网络对齐。REGAL,基于表示的图对齐框架,通过对齐特征表示来进行图间节点匹配提原创 2021-08-12 21:35:50 · 510 阅读 · 0 评论 -
读《Random Walk Graph Neural Networks》
2020?摘要消息传递网络MPNN构建的GNN的隐藏层不是由采用图结构的参数组成,它们的更新过程是由全连接层参数化的。 (就是全欧式呗)本文模型的第一层由许多可训练的“隐藏图”组成,它们使用随机游走图核与输入图进行比较以生成图表示。然后将这些表示传递到产生输出的全连接神经网络。 这里采用的随机游走核是可微的,所以模型是端到端。 (可微→可BP→可端到端)1.引言MPNN [13]这些现有GNN的通用模型采用消息传递过程来聚合顶点的信息生成整个图的表示图核[33, 22]早于神经网络应用原创 2021-08-09 12:30:24 · 457 阅读 · 0 评论 -
读GNTK复现
tm上来就是一个0xc000012d,甚至让我闻到了麦芽的香气输入python gram.py --dataset IMDBBINARY --num_mlp_layers 2 --num_layers 2 --scale uniform --jk 1 --out_dir out输出loading data# classes: 2# maximum node tag: 65# data: 1000Exception in thread Thread-1:疑似是多线程问题ValueErr原创 2021-08-06 15:40:36 · 554 阅读 · 0 评论