weixin_44027006的博客

GraphSAGE代码详解-pytorch版本1. GraphSAGE导入2. 代码解析2.1 加载数据2.2 Unsupervised Loss2.3 Models2.4 评估与模型使用2.5 Main参考资料1. GraphSAGE导入论文标题：Inductive Representation Learning on Large Graphs作者：William L. Hamilton, Rex Ying and Jure Leskovec在GraphSAGE之前提出的图神经网络方法，如

GCN代码详解-pytorch版本1 GAT基本介绍2 代码解析2.1 导入数据2.2 GAT模型框架2.3 评估与训练参考资料写在前面…在研究生的工作中使用到了图神经网络，所以平时会看一些与图神经网络相关的论文和代码。写这个系列的目的是为了帮助自己再理一遍算法的基本思想和流程，如果同时也能对其他人提供帮助是极好的~博主也是在学习过程中，有些地方有误还请大家批评指正！github: https://github.com/OuYangg/GNNs1 GAT基本介绍论文标题：Graph atte

GCN学习笔记1 基于谱域的GCN1.1 知识要点：1.2 Spectral-based models1.2.1 Spectral Network1.2.2 ChebNet1.2.3 GCN1.2.4 AGCN1.2.5 DGCN1.2.6 GWNN1.2.7 小结2 基于空间的GCN2.1 知识要点2.2 Spatial-based models2.2.1 Neural FPs2.2.2 DCNN2.2.2 PATCHY-SAN1 基于谱域的GCN1.1 知识要点：在spectral-based G

GCN代码详解-pytorch版本1 GCN基本介绍2 代码解析2.1 导入数据2.2 GCN模型框架2.3 评估与训练参考资料写在前面…在研究生的工作中使用到了图神经网络，所以平时会看一些与图神经网络相关的论文和代码。写这个系列的目的是为了帮助自己再理一遍算法的基本思想和流程，如果同时也能对其他人提供帮助是极好的~博主也是在学习过程中，有些地方有误还请大家批评指正！github: https://github.com/OuYangg/GNNs1 GCN基本介绍论文标题：Semi-super

PATCHY-SAN方法阅读笔记1 将CNN应用到图结构数据时面临的问题：2 PATCHY-SAN流程1 将CNN应用到图结构数据时面临的问题：感受野不同：在处理图像问题时，卷积神经网络利用固定大小Kernel提取图像的特征，见下图当面对图结构数据时，由于网络中各节点的一阶邻居数是不同的，如果仍然使用固定大小的kernel是不可行的，因为卷积核的感受野会是不同的。那么在提取邻域的时候，是否可以对邻域进行削减或padding，使得卷积操作可行（注：不是网络中所有的节点都做为中心节点进行卷积神经网