GNN 学习笔记

最新推荐文章于 2024-11-04 13:07:19 发布
最新推荐文章于 2024-11-04 13:07:19 发布
阅读量476 收藏 9
点赞数 10
文章标签： 学习 笔记
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_55703970/article/details/134958311
版权

稍微看一下之后备用。 

【图神经网络综述】GNN原理＋落地应用+实现框架全解_gnn实现-CSDN博客

GNN相比CNN最大的区别在于数据结构，CNN一般作用在二维、三维数据里，如图像、表格数据等，可以进行卷积操作。而GNN作用在一个由节点和边构成的图上

为什么要研究图？其应用价值是什么？

特殊的数据结构和任务，比如社交网络、分子结构等

研究区别在哪？

数据结构不再对称、没有移位不变性、局部连通性、组合性等，更没法直接利用卷积

任务目标是什么？

任务分类？ 

 图嵌入的无监督学习可以做因果发现吗？

怎么研究？

1.魔改CNN-ConvGNNs：把原本中心像素和周围像素的关系改为中心节点和周围邻接节点的关系

基于空间域的图卷积GCNs（ConvGNNs）_基于空间的图卷积操作本质上是将节点信息作为沿边的消息传播-CSDN博客

2.图信号处理

如何从零开始学习数字信号处理？ - 知乎 

准备有空学一下数字信号处理，有时候用到傅里叶也会看到……

感谢运总推荐资料hhh

大概就是时域、频域只是表示方法（取的基）不同，都是同一种信号

信号需要分离（时域不好分、转化为不同变化域上好分）

包括jpeg的压缩也是分离信号

FACT 说白了就是认为傅里叶变换后的振幅没意义，所以做了数据增强……

卷积更是没有方向的“互相关”（求一个挪一个点）

果然 神经网络就是叠层数高了导致黑盒了的草台班子

ViviranZ
关注
GNN学习笔记（一）基本概念
HuaDing623的博客
07-14 462
图的基本概念、机器学习在图上的应用、GNN的一些基本概念
GNN学习笔记（四） 用于节点分类的GNN
HuaDing623的博客
08-02 986
用于节点分类的GNN的基础理论介绍
GNN学习笔记
weixin_74152658的博客
07-18 332
我们将在 GNN 层中构建更精细的消息传递变体，从而产生具有更高表现力和功率的 GNN 模型。GNN的研究前沿在于“如何构建图”，为图注入额外的结构或关系。添加更多的消息传递的属性。类比体会感受野和特征学习的过程，gnn比较随意 但也是针对某点的邻居进行学习。通过池化，聚集各部分特征（sum，mean，avg），信息传递？1.对于每个结点，收集所有邻接点的embedding。2.图的整体，节点，边都能代表一个分类/回归问题。最后对图结果的处理比较多样，比较自由。消息传递的属性越多，模型性能越好。
GNN学习笔记|AEGNN
weixin_52498332的博客
08-26 350
在这个例子中，所有节点都属于同一个批次，因此批次信息是一个全零的张量。计算每个节点的平均边数量，并记录日志信息。他这里设置的batch_size是1，应该是一次导入一张图的意思吧，但是一张图的大小是120x100，event_counts是25000，不太理解。然后从dm中获得训练数据集，并设置dm.shuffle为false，确保在不同实验中样本顺序相同。然后再确定新的事件索引，并提取新的事件特征和事件位置，最后创建一个Data对象。先load数据集，再在setup中调整数据集的输入方式，最后训练模型。
GNN学习笔记|Deepwalk
weixin_52498332的博客
08-24 204
然后对读取的有向图G进行deepwalk，这里的deepwalk是对每个点进行一定次数和一定长度的随机游走，游走完之后会得到一些序列，这里会对每个点都进行随机游走。然后将得到的序列塞入Word2Vec模型中进行训练，这个模型会基于序列抽取点与点之间的共现关系得到点的embedding，我的理解是点的特征向量，这些embedding就包含了点的位置信息。这个evaluate是评估embedding的质量，与label中进行比较，label中对各个点进行了分类。先读取图的信息，从txt中获取各条边的信息。
Graph Neural Networks(GNN)学习笔记
Karen_Yu_的博客
04-28 966
edgesnodes).图是表现实体（顶点）之间的一些关系（边）顶点可以用embedding（就是一条向量）来表示其中的一些属性边也可以用embedding来表示，边的长度（指向量的长度）可以和顶点的长度不一样全局的信息也可以用embedding来表示（长度也可以不一样）核心->如何把我们想要的信息，表示成这些向量，以及这些向量是否能通过数据来学到有向图&无向图。
GNN学习笔记|GCN
weixin_52498332的博客
08-25 234
再对X做dropout处理，轻量化矩阵后，再过第二个GCN层，和第一个GCN层一个方式，先右乘一个权重矩阵，再左乘一个邻接矩阵，最后做softmax处理，进行分类。第一层GCN，输入特征矩阵features即为X，乘上的权重矩阵为W，然后再左乘一个邻接矩阵A-hat，最后对其再套一个激活函数Relu。然后对特征矩阵和邻接矩阵做归一化处理，对邻接矩阵的归一化处理可以避免对度很小的节点进行训练时出现梯度爆炸或消失的问题。然后再求一下训练的准确度，对算出的loss进行反向传播，再进行随机梯度下降，优化权重参数。
A Gentle Introduction to Graph Neural Networks图神经网络GNN学习笔记
wwer142526363的博客
10-01 431
graph attention networks:前面的pooling是简单sum,但是也可以像卷积一样有权重再加和，但是卷积每一个窗口内不同位置的权重是不一样的（固定位置固定权重），而图上顶点的位置不固定-->解决方法：类似注意力机制，权重取决于两个顶点向量之间的关系（比如点乘后softmax），而不是位置。缺点：没有在GNN中放入图的结构信息，只是利用了属性-->解决方法：信息传递，类似前述pooling，eg.输入的顶点向量改为自己与相连的顶点向量的加和sum，再放入MLP得到更新结果，如下所示。
GNN学习笔记：总结
LuoMin2523的博客
07-11 355
1、图的数据结构 在这一部分中，我们学习了图的表示、图的属性、图的种类、图结构数据上的机器学习以及应用神经网络于图时所面临的挑战。图由节点的集合和边的集合共同组成，节点表示实体，边表示实体间的关系。在图的属性部分，我们了解了节点的度、邻接节点、行走、路径、子图、连通图等的定义。 2、环境配置与PyG中图与图数据集的表示和使用 在这一部分，我们主要学习了学习程序运行环境的配置、PyG中图数据、数据集的表示及其使用。在“PyG中图的表示及其使用”部分，学习了Date对象的构建、Date属性的获取以及设置等
图形神经网络GNN学习笔记_ GNN_Learning.zip
10-03
图形神经网络GNN学习笔记_ GNN_Learning
GNN学习笔记（三） Graph Neural Network概述
HuaDing623的博客
07-20 279
GNN研究概述
嵌入式通信协议：UART简明学习笔记
weixin_73867577的博客
10-31 804
学习UART串口的简明学习笔记
ORB-SLAM2源码学习：ORBextractor.cc：IC_Angle 利用灰度质心法求解关键点方向角
2301_76831056的博客
11-01 680
IC_Angle 利用灰度质心法求解关键点方向角并在computeOrientation函数中被调用计算图像中所有特征点的方向。
嵌入式通信协议：MODBUS简明学习笔记
weixin_73867577的博客
11-02 303
学习Modbus的简明学习笔记
SPI通信详解-学习笔记
最新发布
qq_45059758的博客
11-04 336
SPI通信
SAP ABAP开发学习——接口中间件（PI）
m0_64077397的博客
11-04 143
左侧的红圈表示没有被生成。
diffusion model 学习笔记
wubing's 博客
11-01 974
郎之万公式: 描述了粒子做随机布朗运动 (粒子位置随时间变化的关系), 是一种 SDE, 描述了 由梯度力(即.即我们在无条件模型 DDPM 估计的噪声中添加一个微小的扰动(. 基本上,在采样一半时,基本上预测的。输出的是噪声的估计, 这个估计的噪声。通过上面的公式，我们可以知道，当知道。),就可以作为条件模型的噪声估计.首先,假设我们已经有了一个训练好的。: 每一步中保留的原始信号的比例。的计算有各种不同的方法，). 已经接近于真实的。)影响的系统的时间演化.也就是,我们训练的网络。
人工智能入门要学习多久？
cd_farsight的博客
10-31 303
人工智能是一个快速发展的领域，新的技术和算法不断涌现。这可能需要你定期投入时间，比如每月至少花费几个小时来跟踪最新的研究和发展。如果你是计算机科学或相关专业的学生，或者对计算机科学有较深的兴趣，可能能更快地掌握。实践项目的时间可以因项目的复杂性和范围而异，通常需要几个月的时间来完成。学习人工智能所需的时间可以根据个人的学习速度、目标和深度有所不同。这通常需要几个月的时间，具体取决于个人的数学背景。：Python是进行人工智能学习的主要语言，建议从基础开始学习，这也是一个月左右的时间可以掌握。
GNNNote学习笔记：机器学习与Python实战技巧
资源摘要信息:"GNNNote学习笔记包含了有关图神经网络（GNN）的基础知识和深入理解，该笔记可能涉及图神经网络的数学原理、算法实现、编程实践以及应用场景等内容。它强调了在机器学习领域中，GNN作为一种能够有效...
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
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