图神经网络

最新推荐文章于 2024-09-04 11:26:05 发布
最新推荐文章于 2024-09-04 11:26:05 发布
阅读量82 收藏
点赞数
文章标签： 神经网络 深度学习 机器学习
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_62375715/article/details/129754297
版权
文章探讨了图神经网络（GNN）如何解决传统机器学习中数据样本独立的问题，特别是在处理图数据的多模态特性时。GNN面临的问题包括每个节点嵌入的单独训练、缺乏参数共享、对新图和新节点的泛化能力不足，以及无法充分利用节点属性。消息传递神经网络被指出可能无法区分计算图相同的节点。此外，GCN的内核非单射，其表达能力可能不及GIN。
摘要由CSDN通过智能技术生成

传统机器学习，数据样本间彼此独立，不知道对方的存在

图特有的多模态

图节点：图中节点——>d维向量

节点层面，连接层面，子图层面， 全图层面

 

图神经网络解决的三大问题：

1，每个节点的嵌入向量都需要单独训练，没有参数共享

2， 直推式，无法泛化到新图和新节点

3，没有用到节点属性特征标注

消息传递神经网络：无法区分节点1和节点2（计算图相同） 

GCN内核不是单射函数，因此表达能力没有GIN强 

荆棘鸟》
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
盼小辉丶的博客
01-02 6万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
【复杂网络建模】——通过图神经网络来建模分析复杂网络
lingxw的博客
05-18 8128
复杂网络是指由大量节点和连接组成的网络结构，它在许多领域中都有应用，包括社交网络、生物网络、信息网络等。复杂网络的研究主要关注网络的拓扑结构、动力学行为和功能特性。复杂网络的拓扑结构通常呈现出非常复杂的特征，例如小世界效应和无标度性。小世界效应指的是网络中的节点之间具有较短的平均路径长度，使得节点之间的距离变得更短。无标度性表示网络的度分布呈幂律分布，即只有少数节点具有非常高的连接度，而大部分节点的连接度较低。这些特性使得复杂网络在信息传播、灾难传播、社交影响等方面表现出独特的性质。
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 10万+
从数据结构到算法：图网络方法初探 论文《Graph Neural Networks: A Review of Methods and Applications》 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session 文章目录图神经网络（Graph Neural Networks，GNN）1. GNN起源1.1 动..
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
知不足而奋进，望远山而前行
10-04 5万+
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实际场景中（例如道路交通），不同城市的道路数量和节点数量都不同，即输入数据格式不固定。对此，传统神经网络不能很好地解决，但是GNN可以用来解决此类问题。卷积：卷积核平移计算图卷积：自身信息+所有邻居信息。
图神经网络初探
Kaiyuan_sjtu的博客
10-03 7773
介绍随着图神经网络（Graph Neural Networks，GNN）热潮的出现，了解、掌握图神经网络相关原理以及应用相关技术越来越成来从事人工智能人员的必要条件。本文主要概述图神经网络...
图神经网络及其应用
Lukerman0的博客
09-06 6375
Graph Neural Networks and its applications 摘要 以图形形式构建的数据存在于生物化学、图像处理、推荐系统和社会网络分析等多个领域。利用预处理技术在图结构数据上训练机器学习模型有几种方法，但它们缺乏完全适应数据集和手头任务的灵活性。图神经网络允许创建一个端到端的机器学习模型，该模型同时被训练来学习图结构数据的表示并在其上拟合预测模型。图神经网络可以应用于从聚类或可视化到对图数据进行分类或回归的任务，它们还可以在节点或图级别学习表示。他们在半监督学习和有监督图分类方面取
图神经网络简介，什么是图神经网络，GNN
一起躺躺躺的博客
05-13 2万+
distill博客：A Gentle Introduction to Graph Neural Networks (distill.pub) 什么是图？ 图是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes是信息的意思，每个点、每条边、每个图都是有信息的。 怎么表示一张图，可以参考下面这个例子 每个顶点、边和整张图都可以用一个向量来表示，在这个例子中，顶点的向量有六个值，柱体的高矮就表示该值的.
GNN图神经网络常用数据集总结
争取早日成为硅农
12-23 1万+
图神经网络（Graph Neural Network，GNN）是一种新兴的神经网络模型，适用于处理图数据。与传统的神经网络模型不同，GNN 能够有效地捕捉节点之间的结构信息和关系，并对节点进行精准的分类、聚类和预测分析。因此，GNN 在社交网络、生物信息学、推荐系统、物联网等领域得到了广泛的应用。为了研究和评估 GNN 的性能，需要使用各种不同类型的数据集。这些数据集包含了不同领域的实际问题，例如社交网络中的用户关系、生物学中的蛋白质分子结构、推荐系统中的用户行为等。
图神经网络相似度计算
Allen_人工智能与大数据
06-26 3176
本文通过点和点的比较，加上图和图的比较，结合在一起，最后计算出两幅图的相似度。其中运用到GCN ，NTN，ATTENTION，直方图等方法。较为有创意。
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 4905
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络实战（12）——图同构网络(Graph Isomorphism Network, GIN)
盼小辉丶的博客
06-06 2963
图同构网络 (Graph Isomorphism Network, GIN) 架构受 WL 测试启发而设计的，其表达能力与 WL 测试相近，因此在严格意义上比 GCN、GAT 或 GraphSAGE 更具表达能力。在本节中，将这一架构用于图分类任务，介绍了将节点嵌入融合到图嵌入中的不同方法，GIN 通过连接求和运算符和每个 GIN 层产生图嵌入，其性能明显优于通过 GCN 层获得的经典全局均值池化。最后，我们将两个模型的预测结果进行简单的集成，从而进一步提高了准确率。
图神经网络实战（18）——消息传播神经网络
盼小辉丶的博客
08-09 2000
消息传递神经网络 (Message Passing Neural Network, MPNN) 通过消息传播机制对多种图神经网络 (Graph Neural Networks, GNN) 模型做出了一般性总结。在本节中，我们介绍了 MPNN 框架，该框架通过信息、聚合和更新三个步骤统一了 GNN 层，同时介绍了如何在 PyTorch Geometric 中使用 MPNN 创建图卷积网络 (Graph Convolutional Network, GCN) 层。
机器学习（五） -- 监督学习（8） --神经网络1
zqx1473的博客
09-01 1609
tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。！！”一般需要特别注意或者容易出错的地方。本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。
从0开始深度学习（4）——线性回归概念
最新发布
立志成为炼丹师？
09-04 396
1 线性回归 回归（regression）指能为一个或多个自变量与因变量之间的关系进行建模。 1.1 线性模型 线性假设是指目标可以表示为特征的加权和，以房价和面积、房龄为例，可以有下面的式子： w称为权重（weight） b称为偏置（bias）、偏移量（offset）或截距（intercept） 给定一个数据集，我们的目标是寻找模型的权重和偏置， 使得根据模型做出的预测大体符合数据里的真实价格。 1.2 损失函数 在我们开始考虑如何用模型拟合（fit）数据之前，我们需要确定一个拟合程度的度量。损失函数（
深度学习(二)
小泽爱刷题的博客
08-31 1208
CUDA是一种并行计算的编程模型，提供了开发者利用GPU的工具和接口，适用于各种需要并行处理的应用程序。CuDNN是一个专门的加速库，建立在CUDA的基础上，针对深度学习中的神经网络操作进行了专门的优化，从而大幅提升计算效率。两者的结合，使得深度学习和其他计算密集型任务在GPU上能够以更快的速度、更高的效率完成Dataset：继承Dataset可以让你自定义如何获取和处理数据。这在处理复杂的数据集时非常有用，例如当数据需要从多个文件加载、进行特殊的预处理或处理非标准格式的数据时。DataLoader。
Unet改进13：添加RepVGG||减少冗余计算和同时存储访问
m0_51530640的博客
08-31 387
我们提出了一种简单但功能强大的卷积神经网络结构，该结构具有类似vgg的推理时间主体，仅由3 × 3卷积和ReLU堆栈组成，而训练时间模型具有多分支拓扑结构。通过结构重参数化技术实现训练时间和推理时间结构的解耦，将模型命名为RepVGG。在ImageNet上，RepVGG达到了80%以上的top-1精度，据我们所知，这是第一次对一个普通模型。
AI学习指南深度学习篇-长短时记忆网络python实践
俞兆鹏的博客
08-31 1463
长短时记忆网络（LSTM）是一种能够有效处理序列数据的循环神经网络。与传统的RNN相比，LSTM在解决梯度消失和梯度爆炸等问题上表现更好，使得它在自然语言处理、语音识别等领域广泛应用。TensorFlow是由Google开发的开源深度学习框架，提供了丰富的API和工具，方便进行神经网络的构建、训练和部署。
深度学习--机器学习相关（1）
m0_63860007的博客
09-04 738
过拟合是指模型在训练数据上表现得很好，但是在新的、未见过的数据上表现不佳，即模型的泛化能力差。正则化通过在损失函数中添加一个额外的项来实现，这个额外的项通常与模型的复杂度相关，目的是惩罚模型的复杂度。算法通过计算损失函数在当前参数下的梯度，然后沿着梯度的反方向更新参数，以此减小损失函数的值。梯度平缓通常指的是在梯度下降算法中，当梯度（即损失函数对参数的偏导数）的值变得非常小，接近于零时，参数更新的幅度也会变得很小，这意味着我们接近了损失函数的最小值。在模型的内部，数据经过了非线性变换很难能够保持同分布。
图神经网络的全面调查
"这篇文章是关于图神经网络的全面调查，主要探讨了深度学习在处理非欧几里得数据，如复杂关系和对象间相互依赖的图数据时所面临的挑战，以及近年来图神经网络（GNN）的发展。文章提出了一个新的分类体系，将当前的...
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