HOW POWERFUL ARE GRAPH NEURAL NETWORKS?

最新推荐文章于 2024-05-09 11:44:42 发布
最新推荐文章于 2024-05-09 11:44:42 发布
阅读量3.2k 收藏 6
点赞数 4
分类专栏： AI程序员 算法 机器学习 深度学习 GNN java开发
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_41697507/article/details/94884192
版权
AI程序员 同时被 3 个专栏收录
166 篇文章 8 订阅 ¥19.90 ¥99.00
订阅专栏 超级会员免费看
机器学习
161 篇文章 8 订阅 ¥19.90 ¥99.00
订阅专栏 超级会员免费看
算法
161 篇文章 4 订阅
订阅专栏
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 representation vector of a node is computed by recursively aggregating and trans-forming representation vectors of its neighboring nodes. Many GNN variants have been proposed and have achieved state-of-the-art results on both node and graph classification tasks. However, despite GNNs revolutionizing graph representation learning, there is limited understanding of their representational properties and limitations. Here, we present a theoretical framework for analyzing the expressive power of GNNs to capture different graph structures. Our results characterize the discriminative power of popular GNN variants, such as Graph Convolutional Networks and GraphSAGE, and show that they cannot learn t

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Adam婷
关注
  • 4
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
图神经网络表达能力有多强？（how powerful are graph neural networks）.zip
10-30
图神经网络表达能力有多强？阅读这篇文章，个人自见分晓。
How powerful are graph neural networks
weixin_43889128的博客
04-26 907
摘要 图神经网络（GNN）是用于图的表示学习的有效框架。 GNN遵循邻域聚合方案，其中节点的表示向量是通过递归聚合和转换其相邻节点的表示向量来计算的。 已经提出了许多GNN变体，并且在节点和图分类任务上都取得了最新的成果。 然而，尽管GNN革新了图形表示学习，但对其表示特性和局限性的理解仍然有限。 在这里，我们提出了一个理论框架，用于分析GNN捕获不同图形结构的表达能力。 我们的结果表征了流行的GNN变体（例如图卷积网络和GraphSAGE）的判别力，并表明它们无法学会区分某些简单的图结构。 然后，我们开
【intro】Graph Isomorphism Network（GIN）
最新发布
Karen_Yu_的博客
05-09 1354
图神经网络(gnn)是一种有效的图表示学习框架。gnn采用邻域聚合方案，通过递归聚合和变换相邻节点的表示向量来计算节点的表示向量。已经提出了许多GNN变体，并在节点和图分类任务上取得了最先进的结果。然而，尽管gnn彻底改变了图表示学习，但人们对其表示特性和局限性的理解有限。->一个理论框架，用来分析GNN捕获不同图结构的能力。
How powerful are graph neural networks?
Lukerman0的博客
09-06 978
How powerful are graph neural networks? ICLR 2019 背景 1.图神经网络 图神经网络及其应用 2.Weisfeiler-Lehman test 同构：如果图G1和G2的顶点和边的数目相同，并且边的连通性相同，则这两个图可以说是同构的，如下图所示。也可以认为G2的顶点是从G1的顶点映射而来的。这是一个具有挑战性的问题：目前还没有已知的多项式时间算法。图同构的Weisfeiler-Lehman（WL）检验是一种有效且计算效率高的检验，它能区分一大类图。 W
论文阅读_(GIN)How Powerful are Graph Neural Networks
Paranoid_99的博客
09-09 990
1. 表明 GNN 在区分图结构方面最多与 WL 测试一样强大。 2. 建立了邻居聚合和图读出函数的条件，在这些条件下生成的 GNN 与 WL 测试一样强大。 3. 识别出流行的 GNN 变体无法区分的图结构，例如GCN和GraphSAGE，并且我们精确地表征了图结构的种类，例如基于GNN的模型可以捕捉。 4. 提出图同构网络（GIN），并表明它的判别/表示能力等于 WL test的能力。
【文献笔记】How powerful are graph neural networks?
sinat_33365106的博客
02-05 221
Abstract (1) What do the author(s) want to know (motivation)? (2) What did they do (approach/methods)? (3) Why was it done that way (context within the field)? (4) What do the results show (figures and data tables)? (5) How did the author(s) interpret the
Introduction to Graph Neural Networks.pdf
04-19
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理图数据。图数据结构广泛存在于各种现实世界问题中，如社交网络、化学分子结构、交通网络等。CMU的Minji Yoon博士在她的112页...
刘知远-Introduction to Graph Neural Networks.pdf
04-01
Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its ...
A comprehensive survey on graph neural networks..pdf
02-14
图神经网络（Graph Neural Networks，GNNs）是一种深度学习方法，旨在处理非欧几里德空间中表示的图数据。近年来，深度学习在图像分类、视频处理、语音识别和自然语言理解等领域取得了巨大成功。但是，传统的机器...
E(n) Equivariant Graph Neural Networks
04-13
E(n) Equivariant Graph Neural Networks
How Powerful are Graph Neural Networks？ GIN 图同构网络 ICLR 2019 论文详解
热门推荐
知行合一，止于至善
10-31 2万+
文章目录1 相关介绍Definition 1 ：multiset数学上的单射（injective）2 GNN 怎么和 Weisfeiler-Lehman test 关联起来？2.1 符号定义2.2 Graph Neural Networks2.3 两类任务2.3 Weisfeiler-Lehman test 图同构测试3 WL test 是GNN性能的上限Lemma 24 什么样的GNN 可以和W...
DeepMind 关系型深度强化学习 Relational Deep Reinforcement Learning
04-03
Relational Deep Reinforcement Learning--We introduce an approach for deep reinforcement learning (RL) that improves upon the efficiency, generalization capacity, and interpretability of conventional approaches through structured perception and relational reasoning. It uses self-attention to iteratively reason about the relations between entities in a scene and to guide a model-free policy. Our results show that in a novel navigation and planning task called Box-World, our agent finds interpretable solutions that improve upon baselines in terms of sample complexity, ability to generalize to more complex scenes than experienced during training, and overall performance. In the StarCraft II Learning Environment, our agent achieves state-of-the-art performance on six mini-games – surpassing human grandmaster performance on four. By considering architectural inductive biases, our work opens new directions for overcoming important, but stubborn, challenges in deep RL.
论文解读：How Powerful are Graph Neural Networks?
github_34349558的博客
09-22 341
How Powerful are Graph Neural Networks? [Blog : Paper Notes sorted out by paper] ???? About This Paper Keyulu Xu, Weihua Hu, Jure Leskovec, Stefanie Jegelka MIT and Stanford University https://arxiv.org/pdf/1810.00826.pdf ???? GNNs 一个图神经网络的更新准则一般可以归纳为这样：
How Powerful are Graph Neural Networks?
ujn20161222的博客
01-23 158
How Powerful are Graph Neural Networks? Teacher: Stefanie Jegelka Student: http://keyulux.com/ http://web.stanford.edu/~weihuahu/ https://openreview.net/forum?id=ryGs6iA5Km Explanation https...
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? 论文理解
Rising_shit的博客
04-20 338
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? 论文理解 这一阵对图神经网络的理论表达能力很感兴趣，所以就读了很多理论相关的文章，感觉还是很巧妙的。 首先记录Jure大神的这篇文章吧。 摘要 作者在摘要里提到，本文是提供一个理论的评估GNN的表达能力的框架，并且提供了一个可证明的有最大的表达能力的GNN模型 引言 作者在引言里提到设计GNN主要是基于经验，直觉，实验结果等，不太好。接着 接着作者就提到了WL test。根据作者的介绍，WL test就是迭代的更新一个点的表征为
论文笔记：ICLR 2019 How Powerful Are Graph Neural Networks
qq_44015059的博客
03-08 796
前言 虽然 GNN 提供了在深度学习层面解决非欧式空间图结构数据的一系列方法，但人们对其表示学习方法的特点和局限性认识有限。因此作者提出了一个理论框架来分析GNNs 捕获不同图结构的表达能力。作者主要分析了主要的 GNN 方法的辨别力，尤其是 GCN 和 GraphSAGE 并证明它们不能对不同的简单图结构进行区分。并且作者提出了一个新的框架来完成图表示学习并在图级别的分类任务上进行了测试。 论文链接：https://arxiv.org/abs/1810.00826 github：https://githu
《How powerful are graph neural networks》论文翻译
m0_43417517的博客
10-24 949
作者：Keyulu Xu (MIT)，Weihua Hu(Stanford Universtity)，Jure Leskovec(Stanford Universtity)，Stefanie Jegelka(MIT)​ 图神经网络（GNNs）是一种有效的图表示学习框架。图神经网络遵循邻域聚合方案，其中节点的表示向量是通过递归地聚合和变换其相邻节点的表示向量来计算的。到目前为止，许多图神经网络的变种也已经被提出，并且在节点和图分类任务上取得了优异的成果。然而，尽管图神经网络彻底改变了图表示学习，但我们对其表
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? 论文阅读
weixin_44576543的博客
11-28 1217
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? Code link： https://github.com/weihua916/powerful-gnns 摘要：GNN对于图形的特征很有效，其可以通过不断汇聚领节点的信息，GNN的变体在节点还是图形分类方面都取得很多的成就，然后即便GNN革命性的特征表达，然后还是存在属性的理解限制，因此提出了能够从不同的GNN...
【图神经网络论文整理】（十）—— How Powerful are Graph Neural Networks?：GIN
CSDN 精品推荐
11-28 683
目前很多GNNs不断被提出，大多是采用邻居聚合和图级池化的方法，虽然这些GNN模型在节点分类、边预测和图分类等许多任务上都取得了不错的性能，但是新型的GNN的设计大多是基于经验直觉、启发式和实验试错，因此它们对GNNs的性质和局限性的理论认识较少，对GNNs表征能力的形式化分析有限。其中第一个式子就是聚合函数，用于集合给定节点的邻居的特征向量，第二个式子就是将第一步聚合后的特征向量与该中心节点的特征向量进行结合，用于更新中心节点的特征向量。上述的聚合操作采用的是最大池化，其中的。

“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

打赏作者

Adam婷

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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