chengsen.ren

总结｜谷歌用GNN提高ETAs准确率从Deep Mind的博客看到他们关于交通预测的文章，看完后整理一下。文章很粗糙，只给了一个大体的思路。这篇文章是Deep Mind和Google Maps合作的工作，主要是提高预计到达时间（ETAs）的准确率。主要核心思想是：把道路切割成一个个的路段，每个路段视为一个节点，路段的相对位置构成节点间的边，形成路网的一个子图（文章称作Supersegments，超级路段）然后使用GNN模型来对超级路段的行程时间进行预估。原文链接：https://d

从上到下｜图网络开放数据集很多学者和机构发布了许多与图相关的任务，以测试各种GNN的性能。这些任务一般都会提供数据集。按照任务分类，可以把数据集分成以下几类：引文网络生化图社交网络知识图谱开源数据集仓库参考资料：A Comprehensive Survey on Graph Neural NetworksIntroduction to Graph Neural Networks引文网络Pubmed/Cora/Citeseer引文网络，节点为论文、边为论文间的引用关系。这

QA派｜GNN工业应用-PinSAGE文章目录QA派｜GNN工业应用-PinSAGE基本概念pins是什么意思？PinSAGE论文中的数据集有多大？PinSAGE使用的是什么图？PinSAGE的任务是什么？PinSAGE有特别区分pin节点和board节点吗？和GraphSAGE相比，PinSAGE改进了什么？PinSAGE使用多大的计算资源？PinSAGE和node2vec、DeepWalk这些有啥区别？聚合函数PinSAGE的单层聚合过程是怎样的？为什么要将邻居节点的聚合embedding和当前节点

QA派|初识GraphSAGE图网络中节点的低维embedding，对于各类预测、图分析任务都非常有用；相对于要求一整张图作为输入的GCN，能分批训练的GraphSAGE在工业界似乎更加常用。本文通过问答的形式，来对GraphSAGE有个初步的理解。QA派，用问答的形式为加深对模型、问题的理解，同时也有助于不断深入。文章目录QA派|初识GraphSAGE基本概念有了GCN为啥还要GraphSAGE？GraphSAGE有什么优点？GraphSAGE的基本思路是什么？跳数（hops）、搜索深度（se

从上到下，一文带你看全所有GNN分类一般来说，我喜欢从上往下的角度来入门一个方向，毕竟入门的秘诀就是从广到深，而不至于在一开始就只见枝叶不见森林。先在心中有个谱，然后再慢慢奏好每个音符，这样就会出来美妙的旋律。我们挑选了清华大学刘知远老师的《Introduction to Graph Neural Networks》和他们的一份综述《Graph Neural Networks: A Review of Methods and Applications》作为参考。优秀的综述很多，我可能也参考了其他，但主要