MPNN（Message Passing Neural Network）、graph pooling 、unpooling

最新推荐文章于 2025-05-13 20:33:05 发布
最新推荐文章于 2025-05-13 20:33:05 发布
阅读量301 收藏
点赞数 1
分类专栏： SBDD 文章标签： 人工智能 深度学习 机器学习
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_43135178/article/details/135896593
版权
本文探讨了一种主要由组织成密集网络块的多层图神经网络（MPNN）层构成的状态编码器，利用图池化和上采样层来降低训练过程中的内存消耗。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

The state encoder is mainly composed of MPNN layers organized into DenseNet blocks, which use graph pooling and unpooling layers (see Section S1.5†) to reduce the memory cost during training.

【Graph vs Transformer】Transformer是GNN的一种特例
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
01-15 286
最近研读Transformer后，发现和GNN极其相似，于是开始调研他们之间的关系(对Transformer熟悉的可以直接跳过这一部分阅读)(对GNN熟悉的可以直接跳过这一部分阅读)
HOW POWERFUL ARE GRAPH NEURAL NETWORKS?
weixin_41697507的博客
07-06 3395
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...
TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object Tracking
02-04 701
TrackMPNN是使用基于图的数据结构来建模MOT任务的一个online且实时的方法，创造了一种基于动态无向图来表示多个时间步伐上数据关联的框架，和一种能在这些图上进行操作而产生理想关联消息传递图神经网络（GNN）。为效率、实时等计算问题提供了一个解决方案。该框架可以灵活的选择时间窗口大小和训练损失，为基于图的神经网络训练提供了一个框架。
[论文阅读笔记15]GNN在多目标跟踪中的应用
wjpwjpwjp0831的博客
07-02 5382
GNN简单来讲, 旨在通过融合顶点和边的特征进而提取出图(Graph)中的信息. 一个直觉的想法是, 在MOT中, 我们可以用顶点表示目标的特征, 边表示目标之间的关系, 进而一个构成的图就可以作为解决关联问题的一个很好的入口, GNN就可以成为解决问题的工具.我想总结几篇经典的利用GNN做MOT的文献. 力争持续更新.解决Offline的MOT问题, 主流是依靠最小(大)流算法. 这篇文章本质上利用GNN来对最小流算法进行求解.摘要中说, MOT方法大家热衷于研究特征提取的策略, 然而本篇文章主要针对数据
多目标跟踪综述、论文、数据集大汇总 Awesome Multiple object Tracking
weixin_43082343的博客
10-20 2647
今年来多目标跟踪论文、综述、数据集汇总介绍。
Scene Graph Generation by Iterative Message Passing解读
Sundrops的专栏
07-09 6967
lifeifei老师团队在发布了Visual Genome数据集后，又在Scene Graph Generation做的新的创新 关于Scene Graph Generation就不再赘述，在上一篇neural motif介绍过，neural motif比这篇晚一些，效果也好一些 Image to Scene Graph现状 Lu et al: Visual Rel...
论文笔记：KDD 2019 Heterogeneous Graph Neural Network
qq_44015059的博客
10-14 1854
1. 前言 论文链接：https://dl.acm.org/doi/10.1145/3292500.3330961 github：https://github.com/chuxuzhang/KDD2019_HetGNN 该文提出了一种基于深层模型的异质网络表示学习的方法HetGNN。 异构图的表示学习旨在为每个节点寻求一个有意义的向量表示，以便于链接预测、个性化推荐、节点分类等下游应用。然而,这个任务是挑战不仅因为需求将异构结构(图)组成的多种类型的节点和边的信息,但也需要考虑异构属性或内容(文本或图像)与
Graph Neural Network——图神经网络
FavoriteStar的博客
09-15 1767
本文简要的介绍了Graph Neural Network——图神经网络，从图的定义开始，一直到整个GNN的工作流程。
Spectral Clustering with Graph Neural Networks for Graph Pooling
qq_59269283的博客
12-15 286
能够准确地标记每个簇的 N/K 点，聚类矩阵之间的 Frobenius 范数值不会因聚类大小的差异而产生偏差，因此能够用来优化簇内的方差。，取最小值代表不同的节点簇之间正交的理想情况，取最大值时分子为0，此时代表每个点都连接在一起无法分割的极端情况。中分子表示了类内联系的紧密度，分母表示了类间联系的紧密度，公式中的S正是经过MP层训练得到的软聚类矩阵。分子表示的是类内连接的边数，分母是类间的边数，聚类的目的就是使得这一函数值尽可能的大。Θm 和 Θs是该层的混合和跳过的权重参数。有着明确合理的取值区间。
Graph Convolutional Neural Network - Spatial Convolution 图卷积神经网络 — 空域卷积详解
Jay_Tang的博客
08-20 5704
Convolutional graph neural networks (ConvGNNs) Convolutional graph neural networks (ConvGNNs) generalize the operation of convolution from grid data to graph data. The main idea is to generate a node vvv’s representation by aggregating its own features xv\
[Scene Graph] 图神经网络的核心方法——Message Passing
风中摇曳的小萝卜 的博客
02-20 6999
GNN中的Message Passing方法解析 一、GNN中是如何实现特征学习的？ 深度学习方法的兴起是从计算图像处理（Computer Vision）领域开始的。以卷积神经网络（CNN）为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据（structured data）十分有效，例如，图像和体素数据。但是，CNN的处理方式对于类似图（graph）数据则并不适用。对于一个图而言，类似图像像素的邻近关系是不存在的。考虑图中任意一个节点，我们几乎不可能始终找到8个有序邻近节点，因此类CNN卷积核将不
《Graph Representation Learning》【5】——The Graph Neural Network Model
智慧的旋风的博客
12-01 443
Part II Graph Neural Networks 5 The Graph Neural Network Model 之前，我们一直在介绍基于浅嵌入方法的编解码器模型，在本章中，我们将重点放在更复杂的编码器模型上——GNN模型的通用框架。它的关键思想是，我们希望生成实际依赖于图结构和特征信息的节点表示（node representation）。 它所面临的挑战也是严峻的——通用的深度学习工具箱（CNN、RNN等）对于图数据来说并不适用，因此，我们需要针对图数据，定义一种新的深度学习框架。 ...
图分类《Hierarchical Graph Representation Learning with Differentiable Pooling》阅读笔记
weixin_37936515的博客
03-11 1396
图分类《Hierarchical Graph Representation Learning with Differentiable Pooling》阅读笔记 Abstract 对于graph neural networks (GNNs)，大体上分三种任务：Node Classification，Link Prediction和 Graph Classification。本文关注的是Graph C...
Recraft.ai：赋能专业设计师的 AI 创意引擎
weixin_44903776的博客
05-12 1006
Recraft.ai 是一款专为专业设计师打造的 AI 创意引擎，集图像生成、编辑、矢量化、协作于一体，旨在提升设计效率与创意表达。其核心功能包括 AI 图像生成器、矢量生成器、照片编辑器等，支持风格一致性与品牌化，适用于 Logo 设计、图标制作、广告素材等多个场景。Recraft.ai 强调“设计师主导”理念，提供完全掌控、高效协作与简化工作流程的优势，帮助设计师节省时间并提升作品质量。目前提供免费试用，适合设计师与设计爱好者探索 AI 创意的无限可能。
【datawhale组队学习】coze-ai-assistant TASK01
最新发布
m0_52024881的博客
05-13 343
通过扣子开发的 AI 应用有明确的输入和输出，可以根据既定的业务逻辑和流程完成一系列简单或复杂的任务，例如 AI 搜索、翻译工具、饮食记录等。工作流具备了： 大量的重复性任务 （如内容创作、编辑、发布）和 固定的业务流程 （如策划、创作、审核、发布）。的 AI 项目，它通过对话方式接收用户的输入，由大模型自动调用插件或工作流等方式执行用户指定的业务流程，并生成最终的回复。教程：Coze / 扣子（飞书文档）10. 教程：Coze / 扣子。4万字教程-COZE/扣子与智能体入门（飞书文档）
第二十一天打卡
nbbsn的博客
05-11 598
这个结果略微差于聚类后的效果，但和一开始考虑所有特征的预测效果差不多，这个降维算法也比较成功。首先我们要对训练集和测试集进行处理，将非数字部分进行编码，并且将空缺值进行填充。- 输出每个模型的最佳参数和评估指标（准确率、精确率、召回率和F1分数）- 对每个模型分别使用网格搜索和贝叶斯优化进行超参数调优。这里可以看出预测结果大大提高了，这个调整工程是成功的。- 使用三个典型模型：随机森林、支持向量机和逻辑回归。- 在验证集上评估每个模型的性能。
Baklib智能云平台加速企业数据治理
weixin_51374429的博客
05-13 790
Baklib智能云平台通过一站式数字资源管理、知识库构建及多场景内容系统搭建，实现企业图文音视频全资产统一存储与智能分类，结合AI驱动的高效数据预处理能力，显著提升知识沉淀效率和治理规范性，助力客户服务、内部协作与数字资产价值释放。
Python数据分析案例74——基于内容的深度学习推荐系统（电影推荐）
weixin_46277779的博客
05-10 1364
电影数据集构建推荐系统，结合内容推荐和深度学习两种方法。预处理、探索性分析，加权平均法和余弦相似度进行基于内容的推荐，计算电影的相似度并生成推荐结果。并且使用深度学习模型，构建评分预测和检索任务，用户个性化推荐和评分预测。
5月12日day23打卡
2503_91003121的博客
05-12 724
5月12日打卡day23@浙大疏锦行
message passing neural network
12-02
Message passing neural network（MPNN）是一种用于图数据的神经网络模型。与传统的神经网络不同，MPNN在处理图数据时考虑了节点之间的关系和连接，并通过消息传递的方式进行信息传递和学习。 MPNN的核心思想是通过迭代地传递消息来学习节点的表示。具体而言，MPNN将节点的表示视为一个可更新的向量，并通过节点之间的连接关系来定义消息的传递。在每次迭代中，MPNN根据当前节点的状态和其相邻节点的信息来更新节点的表示。 MPNN的消息传递过程主要分为两个步骤：消息生成和消息累积。在消息生成阶段，每个节点将自身的特征与邻居节点的特征进行某种组合来生成消息。在消息累积阶段，每个节点将收到的消息进行汇总并更新自身的表示。这样，通过多次迭代，节点的表示不断更新和调整，捕捉到了节点之间的复杂相互作用。 MPNN的一个优点是它对图结构的建模能力较强。通过消息的传递和累积，MPNN可以捕捉到节点之间的关系、依赖和交互，从而更好地理解图数据的特征和模式。 MPNN在许多应用中发挥着重要作用，例如社交网络分析、化学分子生成和推荐系统等。通过学习图数据的表示和关系，MPNN可以提取有用的信息并进行预测和推理。未来，随着对图数据的需求增加，MPNN的应用前景将更加广阔。
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

Pengsen Ma

太谢谢了

¥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