图神经网络经典文章
介绍图神经网络的经典论文 笔记分享。
nuc的救赎
大学生的日常
展开
-
图综述-GGNN详解
此外,本文还介绍了一些具体的GGNN模型,如SchNet、DimeNet、GemNet、LieConv、SphereNet、ComENet等,并对其进行了详细的解释和分析。最后,本文通过一系列实验对不同的GGNN模型进行了比较,包括使用分子动力学模拟数据集和药物性质预测数据集等多个数据集进行测试,并采用了多个评估指标进行评估,如均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)等。原创 2024-08-06 18:10:01 · 531 阅读 · 0 评论 -
GraphSAGE (SAmple and aggreGatE)知识总结
GraphSAGE是一种能利用顶点的属性信息高效产生未知顶点embedding的一种归纳式(inductive)学习的框架。主要步骤:(1)对邻居随机采样(2)使用聚合函数将采样的邻居节点的Embedding进行聚合,用于更新节点的embedding。(3)根据更新后的embedding预测节点的标签。原创 2024-08-03 21:42:54 · 771 阅读 · 1 评论 -
GCN知识总结
第二,GCN在训练时需要知道整个图的结构信息(包括待预测的节点), 这在现实某些任务中也不能实现(比如用今天训练的图模型预测明天的数据,那么明天的节点是拿不到的)。r_inv[np.isinf(r_inv)] = 0.#由于原本为0的数求倒数后可能会产生极大值,这里设置极大值为0。adj = normalize(adj + sp.eye(adj.shape[0])) #对应论文中公式,加上了I矩阵。r_inv = np.power(rowsum, -1).flatten() ##求和的倒数。原创 2024-07-22 21:57:38 · 569 阅读 · 0 评论 -
论文阅读《Geometric deep learning of RNA structure》
网络层中,这些神经网络层根据RNA分子的真实结构输出结构模型的预测RMSD,更新参数。原子特征根据附近原子的特征反复更新。然后将每个特征在所有原子上取平均值,并将所得平均值输入到额外的神经。引入了机器学习方法,通过少量的数据学习。训练:ARES将每个原子的元素类型和三维坐标指定的结构模型作为输。1000个结构模型,根据ARES的评分选择最好的模型。设计了一个原子旋转等变评分器ARES,由每个原子的。未来的工作可能会使用ARES来指导。层收集所有原子之间的信息。从候选的结构中生成了每个RNA的。原创 2024-08-06 22:58:29 · 333 阅读 · 0 评论 -
GAT知识总结
解决GNN聚合邻居节点的时候没有考虑到不同的邻居节点重要性不同的问题,GAT借鉴了Transformer的idea,引入masked self-attention机制,原创 2024-07-25 22:57:59 · 1196 阅读 · 0 评论 -
GNN学习笔记
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。原创 2024-07-18 23:01:48 · 312 阅读 · 0 评论