GNN（一）

最新推荐文章于 2024-09-26 17:23:00 发布
最新推荐文章于 2024-09-26 17:23:00 发布
阅读量168 收藏
点赞数 3
分类专栏： GNN 文章标签： 人工智能
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_64443786/article/details/141285915
版权

一、GNN应用领域

芯片设计

场景分析与问题推理

道路交通，动态流量预测

知识图谱

化学医疗等场景

物理模型相关

二、图的基本组成

利用神经网络的目的就是整合特征

图的邻接矩阵
每个像素点周围都有邻居

 GAN中数据格式不固定，例如社交网络中人物关系、分子相关

三、邻接矩阵

更新点的特征：

多层GNN：

  • GNN可以有多层，增大感受野
  • GNN的本质就是更新各部分特征
  • 其中输入是特征，输出也是特征，邻接矩阵也不会变
几两春秋梦_
关注
专栏目录
一份实用《图神经网络GNN》笔记
07-22
GNN综述阅读报告，报告涵盖有多篇GNN方面的论文，以及一个按照论文《The Graph Neural Network Model 》使用pytorch编写的模型例子，该模型在人工数据上进行运行和验证。
从逻辑表达视角看GNN（附一篇优质的分析论文）
05-04
这一发现对理解GNN的表达能力及其限制具有重要意义。它不仅揭示了现有模型在哪些方面可能有改进的空间，而且为未来的GNN研究提供了新的方向。在建模网络数据时，研究者们需认识到尽管GNN具有强大的图结构学习能力，...
4位GNN一线大佬新书出版了！
Datawhale
11-23 178
Datawhale推荐推荐人：张钹、周志华、李航等广大图神经网络（Graph Neural Network，下文简称GNN）研究人员翘首以盼、吴凌飞、崔鹏、裴健、赵亮4位GNN领域的中青年影响力学者联合编写《图神经网络：基础、前沿与应用》终于要来啦！本书还未出版已先火遍IT圈！得到了清华大学教授、中国科学院院士张钹倾情作序推荐，同时韩家炜、沈向洋、张钹、李航、周志华等大咖联袂推荐！▲ 最新的G...
4位GNN一线大佬联手编撰新书，还未出版就爆火！
cainiao_python的博客
03-20 527
广大图神经网络（Graph Neural Network，下文简称GNN）研究人员翘首以盼吴凌飞、崔鹏、裴健、赵亮等GNN领域的影响力学者联合编撰、50多位GNN各方向专家学者倾力贡献的《图神经网络：基础、前沿与应用》终于要来啦！本书作者群星璀璨，图书还未出版已先火遍IT圈！得到了清华大学教授、中国科学院院士张钹倾情作序推荐，同时韩家炜、沈向洋、张钹、李航、周志华等大咖联袂推荐！▲ 最新的GNN教...
GNN学习一
CICI❤️的博客
12-20 377
一、为什么使用图卷积 传动的深度学习方法，比如卷积网络，效果很好，但是它研究的对象是Euclidean data，这种数据的特征就是有规则的空间结构，比如图片是规则的正方形格子，比如语音是规则的一维序列。这些数据结构能用一维、二维矩阵表示，卷积神经网络处理起来很高效。 但是，现实中有很多数据没有规则的空间结构，称为Non Euclidean data。比如推荐系统抽出的图谱。图谱结构的每个节点连接...
ID-GNN解读
stn54999的博客
10-21 869
我以左中右来命名图中的三个子图，我们可以观察到在左面的子图中，v1和v2的计算图也就是下面对应的以其各自为根节点的信息汇聚的树结构是相同的。我们知道了ID-GNN的思想，那么它是如何具体实现的呢？通过邻居节点的颜色和自身的颜色通过不断的迭代去更新，在更新的过程中，检查两个图在初始化embedding相同的情况下对应节点是否得到了不一样的表示来区分两个图是否是相似的。MP-GNN看上去是一个非常简单的结构，其中消息的传递可以通过MLP，这样一个简单的三层神经网络去计算邻居节点的信息并加和来更新自己的信息。
GNN
zhuiyunzhugang的博客
06-02 7040
图形神经网络（GNN）主要用于分子应用，因为分子结构可以用图形结构表示。 GNN的有趣之处在于它可以有效地建模系统中对象之间的关系或交互。 近年来，图神经网络(GNN)在社交网络、知识图、推荐系统甚至生命科学等各个领域得到了越来越广泛的应用。GNN在对图节点之间依赖关系进行建模的强大功能，使得与图分析相关的研究领域取得了突破。本文介绍了图神经网络的基本原理，以及两种高级的算法，DeepWalk和...
给GNN一堆数据，它自己发现了万有引力定律
数据派THU
03-24 215
来源：机器之心 本文约2100字，建议阅读5分钟 如果牛顿没被苹果砸中，GNN 和符号回归也能发现万有引力定律？机器学习 (ML) 推动了科学的巨大进步，从粒子物理学到结构生物学再到宇宙学，机器学习能够在大型数据集中学习特征，对不同的对象进行分类，并执行参数推断，以及更具开创性的应用，例如自回归语言模型、预测蛋白质结构，以及蛋白质功能预测。机器学习强大的学习能力，我们不禁...
GNN（一）走进GNN
热门推荐
giganticpower的博客
10-29 1万+
走进GCN的世界GCN是什么，它的发展如何图与图信号处理卷积与图卷积GNN和GCN模型GCN和CNN的对比 GCN是什么，它的发展如何 GCN： 图卷积神经网络 发展史： 2005年，Marco Gori等人发表了论文，首次提出了GNN的概念，在此之前，处理图数据的方法是在数据的预处理阶段将图转换为用一组向量表示。这种处理方法会丢失很多的结构信息，得到的结果会严重依赖于对图的预处理，GNN的提出能够将学习过程直接架构在图数据之上。 2009年，进一步的阐述了图神经网络，提出了一种监督的方法来训练GNN，但是
GNN的一些总结
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
04-29 5928
转载dongZheX 目录 1.为什么我们需要图神经网络： 2.图神经网络发展的一些历史 3. Basic Model 4. Analysis 5 Efficiency 6.Pooling 7.About Experiment 8.GNN领域中的一些问题： 最近在接触图神经网络这块，因此目前我还是个搬运工，学习各位大佬的总结，希望之后我可以自己写一些总结。 大佬主要借鉴论文...
GNN基础知识
天狼啸月1990的博客
12-27 2663
GNN基础知识：拉普拉斯矩阵，图傅里叶变换，切比雪夫多项式，attention机制
TWRData_analyze.rar_GNN MATLAB_GNN关联_gnn_跟踪滤波_跟踪算法
07-15
标题中的"TWRData_analyze.rar_GNN MATLAB_GNN关联_gnn_跟踪滤波_跟踪算法"揭示了这个压缩包文件包含的内容主要与一种基于图神经网络（GNN）的跟踪算法有关，该算法应用于MATLAB环境中，特别是针对数据分析任务。...
跳一跳matlab代码-LP_GNN_muhanzhang:LP_GNN_muhanzhang
06-16
(GNN) 以对链接的存在进行分类，以便它可以同时从图结构特征（来自A ）和潜在/显式特征（来自X ）中学习以进行链接预测. 欲了解更多信息，请查看我们的论文： M. Zhang 和 Y. Chen，基于图神经网络的链路预测，神经...
GNN github开源代码
05-06
特别是，超越一个人的经验 - 从婴儿期开始人类智能的标志 - 仍然是现代人工智能的一项艰巨挑战。 以下是部分立场文件，部分审查和部分统一。我们认为组合概括必须是AI实现类似人类能力的首要任务，结构化表示和计算...
零售业的数字化转型与消费者体验升级
weixin_58820787的博客
09-24 560
在数字化浪潮的推动下，零售业正经历着前所未有的变革。数字化转型不仅为零售商带来了新的商业模式和运营效率的提升，更重要的是，它极大地提升了消费者的购物体验。金智维将探讨零售业如何通过数字化转型，实现线上线下融合、智能推荐、个性化服务等方面的升级，以满足消费者日益增长的需求。
音频3A——初步了解音频3A
山河君的分享博客
09-23 1378
在日常的音视频通话过程中，说话的双端往往会面对比较复杂的场景，比如：环境存在较大的噪声，扬声器需要开启外放导致麦克风重新采集到，麦克风固定而人物需要走来走去等等的场景。而为了面对这些复杂的场景，音频通话不得不引入算法对于声音进行预处理，再进行发送给远端。而3A是对于音视预处理的三种算法的统称。AEC（Acoustic Echo Cancellation）：声学回声消除AGC (Automatic Gain Control)：自动增益控制。
【人工智能】多模态AI：如何通过融合文本、图像与音频重塑智能系统未来
最新发布
qq_42978535的博客
09-26 740
是一项令人兴奋的新兴技术，旨在通过结合文本、图像和音频等多种数据模态，打造更加智能化和人性化的系统。随着深度学习和自然语言处理（NLP）的飞速发展，多模态AI正在为下一代智能系统奠定基础，使它们能够同时理解多种感官信息，并做出更加复杂的决策。例如，在自动驾驶系统中，车载AI不仅需要分析摄像头图像，还需要理解驾驶员的语音指令，同时处理雷达和音频信号。我们将文本和图像的嵌入向量通过拼接的方式融合。在本篇文章中，我们将深入探讨多模态AI的工作原理、技术挑战，以及如何通过代码示例来实现文本、图像与音频的融合。
【LLM论文日更】| 俄罗斯套娃嵌入模型
qq_59084968的博客
09-22 1052
适应性图像检索也达到了效率和精度的权衡，16维度做粗排，2048维度做精排的准确率已经和直接使用2048维度做排序的精度还高，但计算量大幅减小。：为了提高效率，MRL采用了权重绑定技术，即所有线性分类器的权重相同，从而减少内存成本。每个嵌入的前几个维度是一个信息丰富的低维向量，随着维度的增加，表示逐渐变得粗糙。本文将MRL/MRL-E模型与单独训练的低维表征（FF），SVD分解，子网络[2]方法进行了比较。16-32-64-128-256-2048 对前200-100-50-25-10个样本的。
python写一个GNN
09-17
### 回答1： 你可以使用Python来构建一个图神经网络（GNN），它使用多层神经网络（NN）来处理图数据结构中的复杂关系，从而改善图建模的准确性。GNN具有可扩展性，可以使用不同类型的图数据，包括社交网络、语言模型、图像识别和自然语言处理。 ### 回答2： GNN，即图神经网络（Graph Neural Network），是一种用于处理图结构数据的机器学习方法。在Python中，可以使用许多深度学习框架（如PyTorch和TensorFlow）来实现GNN模型。 下面是一个使用PyTorch编写的简单GNN模型的示例代码： ```python import torch import torch.nn.functional as F from torch.nn import Linear, Module from torch_geometric.nn import ChebConv class GNN(Module): def __init__(self, in_channels, hidden_channels, out_channels): super(GNN, self).__init__() self.conv1 = ChebConv(in_channels, hidden_channels, K=2) self.conv2 = ChebConv(hidden_channels, out_channels, K=2) self.lin = Linear(out_channels, 2) def forward(self, x, edge_index): x = self.conv1(x, edge_index) x = F.relu(x) x = self.conv2(x, edge_index) x = self.lin(x) return F.log_softmax(x, dim=1) ``` 这个示例代码实现了一个包含两个ChebConv层和一个线性层的GNN模型。ChebConv层是一种图卷积网络层，用于在图结构数据上进行卷积操作。这个GNN模型接受输入特征x和边索引edge_index作为输入，并输出分类结果。 你可以根据实际需要调整模型的层数和参数，例如增加更多的卷积层或使用其他种类的图卷积层。但这个示例代码能够帮助你理解如何在Python中实现一个简单的GNN模型。 ### 回答3： GNN（图神经网络）是一种用于处理图数据的深度学习模型。在Python中，我们可以使用PyTorch和DGL（Deep Graph Library）等库来实现一个GNN模型。 首先，我们需要安装相应的库和依赖项。可以使用pip命令安装PyTorch和DGL库，并确保其它辅助库（如numpy、scikit-learn等）也已安装。 接下来，我们需要准备图数据集。可以从DGL的官方文档中找到一些图数据集的示例，或者根据自己的需求生成一个图数据集。 然后，我们可以开始构建GNN模型。首先，需要定义一个包含多个图卷积层（Graph Convolution Layer）的GNN模型类。可以参考DGL的文档中的示例代码来定义和实现这些图卷积层。 在定义图卷积层之后，我们需要实现前向传播（Forward Propagation）和反向传播（Backward Propagation）函数。前向传播函数用于计算模型的输出，反向传播函数用于更新模型参数。 接下来，我们需要定义损失函数和优化器。可以选择合适的损失函数（如交叉熵损失函数）和优化器（如Adam优化器）来训练模型。 最后，我们需要进行模型训练和测试。可以将数据集划分为训练集和测试集，并使用训练集对模型进行训练，然后使用测试集评估模型的性能。 综上所述，使用Python编写一个GNN模型涉及到安装库和依赖项、准备图数据集、构建GNN模型、实现前向传播和反向传播函数、定义损失函数和优化器、以及进行模型训练和测试。这只是一个大致的步骤，具体实现过程可能会有所不同，具体操作需要根据具体需求和情况进行调整。
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

打赏作者

几两春秋梦_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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