图神经网络总结

最新推荐文章于 2022-11-27 22:13:24 发布

_sober_

最新推荐文章于 2022-11-27 22:13:24 发布

阅读量226

点赞数

分类专栏：图神经网络

本文链接：https://blog.csdn.net/weixin_44133327/article/details/118662465

版权

9 篇文章 1 订阅

订阅专栏

图论的基本概念与pyG的环境配置
https://blog.csdn.net/weixin_44133327/article/details/117958901
图神经网络消息传递图神经网络
https://blog.csdn.net/weixin_44133327/article/details/118060691

在这一任务中，主要了解MessagePassing基类的运行流程，掌握了propagate()、message()、aggregate()和update()函数的调用顺序与相关功能。
基于图神经网络的节点表征：
https://blog.csdn.net/weixin_44133327/article/details/118165117

数据完全存于内存的数据集类
https://blog.csdn.net/weixin_44133327/article/details/118283386

基类InMemoryDataset详解，包括属性、方法及运行流程，其可以将数据集全部存储在内存
节点预测与边预测：
https://blog.csdn.net/weixin_44133327/article/details/118284643

在这一任务中，主要学习如何构建一个Data类，其中通过PlanetoidPubMed数据类，了解构建数据集的流程（下载、生成对象、执行数据处理、过滤对象、保存文件）；边预测任务主要思路是生成负样本，使得正负样本数量平衡，通过使用两层GCNConv神经网络进行边预测，了解边预测的流程。
超大图上的节点表征学习:
https://blog.csdn.net/weixin_44133327/article/details/118400929

在这一任务中，主要学习在超大图上的一种节点表征方法Cluster-GCN，了解基本步骤（分簇、近似邻接矩阵、簇采样并更新参数）、时间/空间复杂度和节点表征利用率。
基于图神经网络的图表征学习方法:
https://blog.csdn.net/weixin_44133327/article/details/118502767

在这一任务中，主要学习图同构网络(GIN)的基本思路（计算节点表征、图池化、线性变换），并了解WL Test的图同构测试方法基本步骤（迭代标签、散列标签、比较WL子树）、图相似性评估方法（WL Subtree Kernel方法：WL Test方法得多层标签、统计次数、向量表示、向量内积）。

关注