图神经网络（三）MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing

最新推荐文章于 2024-06-23 09:34:14 发布
最新推荐文章于 2024-06-23 09:34:14 发布
阅读量1.7k 收藏 2
点赞数
分类专栏： 图神经网络论文集锦 文章标签： GNN
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_43198122/article/details/114755350
版权
MixHop是一种图神经网络模型，通过混合不同邻域的特征来增强泛化能力，避免拉普拉斯平滑问题。与传统GCN仅使用一阶邻域不同，MixHop结合了多种距离的邻域信息，通过差分算子学习邻域混合关系，表现出色且无需额外的内存或计算复杂性。
摘要由CSDN通过智能技术生成

MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing
GitHub： github.com/samihaija/mixhop

文章目录

前言

单层GCN因为其本身的特性使得其只能使用一阶邻域的特征，尽管通过多层的叠加理论上可以获得较好的特征聚合，但也因此会产生拉普拉斯平滑，从而使模型的泛化能力变弱。通过学习一般的邻域混合关系，我们可以得到类似于多层GCN的泛化能力，本文提出的方法是Mixhop,该模型可以通过重复混合各种距离的邻居的特征表示来学习这些关系，包括差分算子。 MixHop不需要额外的内存或计算复杂性，并且在具有挑战性的基准上表现出色。

一、Introduction

了解本专栏 订阅专栏 解锁全文 超级会员免费看
码匀
关注
专栏目录
订阅专栏
图神经网络论文阅读(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019
qq_36618444的博客
10-12 3238
本文的全名叫做《MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》，作者们来自University of Southern California与Google AI, New York。GCN由于基于切比雪夫截断的简化使得在卷积的过程中只能使用邻居节点的信息，不能学习一般的邻域混合关系。因此本文提出了新的模型MixHop，它可以通过在不同距离重复混合邻居的特征表示来学习这些关系。
2019-MixHop, Higher-Order Graph Convolutional Architectures via
08-08
【2019-MixHop】这篇论文关注的是图神经网络（GNNs）的优化，特别是针对GraphSAGE的采样方法的改进。现有的GNN模型，如GCN，通常只能学习到一阶邻域的信息，即节点与其直接相邻节点的关系。然而，这种一阶近似可能不...
《MixHop Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》阅读笔记
LW的技术小筑
04-15 785
之前的GCN及其后续工作在图卷积过程中，仅聚合自己的1-hop邻居的消息。作者指出可以将聚合扩大到不同距离的邻居，并基于该idea提出了MixHop，该模型能在不增加额外内存和计算复杂性的同时，生产更加表达能力的节点表示。实验结果表明作者设计的MixHop是有效的。
图网络 MixHop 简介
我不爱机器学习的博客
03-03 3531
1 模型提出 标题：MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing 链接：https://arxiv.org/abs/1905.00067 标准GCN只能学习到相邻结点之间的信息，不能学习邻里混合关系。 为了解决这个缺点，作者提出了一个新的模型，MixHop，通过重复混合不同距离的邻居的特征表示，它可以学习这些关系，包括不同的运算子。MixHop不需要额外的内存或计算复杂性
论文《MixHop：Higher-Order Graph Convolutional Architectures via Sparisified Neighborhood Mixing》笔记
bunny___的博客
06-03 1011
【MixHop】根据2024年异配图神经网络综述《Towards Learning from Graphs with Heterophily：Progress and Future》中的分类（Taxonomy）部分，MixHop是半监督学习（Semi-Supervised）下的第二类找到多跳邻居（Finding Multi-Hop Neighbors）中的一种算法，该算法在GCN的基础上从只聚合一跳邻居信息优化至可以聚合多跳邻居信息，从而更适用于一跳邻居间异配但多跳邻居间同配的图。
探索图神经网络新境界：MixHop与N-GCN的TensorFlow实现
gitblog_00066的博客
06-23 699
探索图神经网络新境界：MixHop与N-GCN的TensorFlow实现 去发现同类优质开源项目:https://gitcode.com/ 在当今数据密集型的时代，图数据无处不在，从社交网络到化学分子结构，再到信息检索系统。为高效处理这些复杂网络中的信息，图神经网络（GNN）应运而生。本文将向您介绍两个前沿的图卷积架构——MixHop和N-GCN，其官方TensorFlow实现不仅推动了学术界的研...
图相关论文阅读与总结
I'm not perfect, but I keep trying.
04-14 612
1. Adaptive Structural Fingerprints for Graph Attention Networks ——图注意力网络的自适应结构化指纹（ADSF） 1.1 解决的问题 本文是对图注意网络（GAT）的一个扩展。传统的GAT计算注意力权重时只会利用一跳邻居的节点特征，如果利用高阶邻居的节点特征会引起过平滑的问题。因此，本文解决的主要问题是如何在GAT中利用丰富并且高阶的结构化信息。 1.2 提出的方法 传统的GAT：已知节点iii和它的一跳邻居jjj的特征分别为hih_ihi​和h
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Temporal Graph Convolutional Networks for Traffic Flow Forecasting》，其核心内容是提出了一种基于注意力机制的空间-时间图卷积网络模型（Attention Based Spatial-Temporal Graph Convolutional Network，简称...
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub...
MixHop-and-N-GCN：“ MixHop：通过稀疏邻域混合进行的高阶图卷积体系结构”的实现（ICML 2019）
02-06
MixHop和N-GCN ⠀ PyTorch实现的“ MixHop：通过稀疏邻域混合进行的高阶图卷积体系结构”（ICML 2019）和“一个高阶图卷积层”（NeurIPS 2018）。 抽象 最近的方法通过近似图拉普拉斯算子的本征基，将卷积层从...
d3流程图：Force-directed graph（力导向图）
最新发布
07-09
力导向图（Force-Directed Graph），是绘图的一种算法。 在二维或三维空间里配置节点，节点之间用线连接，称为连线。各连线的长度几乎相等，且尽可能不相交。 节点和连线都被施加了力的作用，力是根据节点和连线的...
​KDD 2020 开源论文 | 图神经网络多变量时序预测
Paper weekly
11-02 7081
©PaperWeekly 原创 ·作者｜马敏博学校｜西南交通大学硕士生研究方向｜命名实体识别本次分享的论文是 KDD 2020 的一篇工作，出发点是为了更好地建模多变量时间序列数据中成...
五大顶会2019必读的Graph Embedding最新论文
AI科技大本营
10-22 2831
来源：深度传送门（ID:deep_deliver）【导读】本文主要总结一下深度推荐系统相关的几大顶会（包含ICML2019/ KDD2019/ IJCAI2019/ WW...
GCN现有变体不完全汇总（在时空数据挖掘中的应用）
zzyy0929的博客
03-04 3790
GCN现有变体汇总（应用篇） Mix Hop（高阶多跳的图特征）融合 文献： ICML_2019 MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing AAAI_20: M...
图卷积网络、图神经网络必读论文
热门推荐
知行合一，止于至善
08-24 1万+
文章目录Content[Survey papers](#content)Models[Basic Models](#content)[Graph Types](#content)[Pooling Methods](#content)AnalysisEfficiencyApplicationsPhysics[Chemistry and Biology](#content)[Knowledge Gra...
知识图谱、图神经网络等一周论文整理(一)
いいこと？暁の磕盐线に胜利を刻みなさいっ！
12-17 1999
模型篇 清华孙茂松组：入门GNN必读35篇 High 【图神经网络】MixHop: Higher-Order Graph Convolution Architectures via Sparsified Neighborhood Mixing #开源论文# #ICML 2019# 本文是图分析大牛Bryan Perozzi组发表于ICML 2019的工作。本文argue现有的GNN模型无法学习到...
2019.10.18 note
PKU_ZZY的博客
10-21 2343
2019.10.18 note Quaternion Knowledge Graph Embeddings In this work, authors move beyond the traditional complex-valued representations, introducing more expressive hypercomplex representations to mode...
GNN and GCN
肖泽的博客
08-15 4558
MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing k-hop Graph Neural Networks
原创 | 假期必读：一文看尽2019-2020各大顶会GNN论文（附链接）
数据派THU
01-20 2906
纵观2019年包括深度学习、计算机视觉、文本处理以及数据挖掘在内的顶级会议，图学习相关的论文较于之前都有十分明显的增长。而就 2020的情况来看，这个趋势还在不断扩大。总之，Graph ...
mg-tar: multi-view graph convolutional networks for traffic accident risk pr
11-14
mg-tar是一种用于交通事故风险预测的多视图图卷积网络。交通事故风险预测是指利用交通数据来评估不同地点和时间发生交通事故的可能性。而mg-tar则致力于提高交通事故风险预测的准确性和效果。 mg-tar模型采用了多视图图卷积网络的思想，即使用不同的交通数据视图来进行模型训练。这些视图可以包括交通流量、道路拓扑结构、天气条件等多个方面的信息。通过利用多个视图的信息，mg-tar能够更全面地捕捉交通事故发生的影响因素。 mg-tar模型的核心是图卷积层。该层可以同时考虑节点的自身特征和相邻节点的特征，从而更好地建模节点之间的关系。通过多层图卷积层的堆叠，mg-tar能够逐渐提取更高阶的交通信息，并生成更准确的交通事故风险预测结果。 与传统的基于统计模型和机器学习方法不同，mg-tar可以自动从数据中学习交通事故的模式和规律，而无需人工定义特征和规则。这使得mg-tar能够更好地适应交通数据的变化和不确定性。 总之，mg-tar是一种使用多视图图卷积网络的方法来进行交通事故风险预测的模型。它能够通过融合多个交通数据视图来提高预测准确性，并且能够自动学习交通事故的模式和规律。这一研究对于提高交通安全性和优化交通管理具有重要的意义。
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

码匀

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