Adaptive Propagation Graph Convolutional Network

最新推荐文章于 2022-09-29 18:49:28 发布
最新推荐文章于 2022-09-29 18:49:28 发布
阅读量165 收藏
点赞数
分类专栏： 图神经网络论文阅读 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/xiaobai_zac/article/details/124413679
版权
论文介绍一种新型图卷积网络模型AP-GCN，通过引入暂停单元控制节点间消息传递次数，学习每个节点的个性化传播步数。相较于传统GCN，它考虑了节点对邻居信息需求的差异，旨在提升性能。模型通过概率累积分布和权重加权求和来整合节点表示。
摘要由CSDN通过智能技术生成

Adaptive Propagation Graph Convolutional Network

论文来源：http://arxiv.org/abs/2002.10306 – 2020.IEEE

摘要

图卷积网络通过交叉顶点操作和节点间消息传递交换对图数据处理。如何进行可微交换协议（如：在GCN中1-hop Laplacian ）；如何权衡节点更新的复杂性。作者提出为每个节点辅以一个”暂停单元“，每次消息传递更新后决定是否继续传递消息。

介绍

以GCN层作为基础构建块，值得关注的几个问题：1.如何设计更好的消息传递机制，更好利用图的结构；2.如何权衡节点信息的更新和传递步骤。

研究问题：如果允许节点的信息传递步骤独立变化，GCN的性能能否得到改善？

模型

在这里插入图片描述

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DGP7R5X7-1650889796071)(C:\Users\zac\AppData\Roaming\Typora\typora-user-images\image-20220417171437240.png)]

对节点信息做一个二分类器，作为消息传递步

最低0.47元/天 解锁文章
xiaobai_zac
关注
专栏目录
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7490
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
神经网络代码解读_NeurIPS2020上图神经网络好文
weixin_35427210的博客
01-07 3153
今年的Neurips正在进行，图神经网络也是今年的一大热点，这里总结一下GNN的文章，贴个链接和概述备忘，如果有错误的或者遗漏的文章请大家一定指出来。整理不易，点个赞呗再走呗，欢迎关注我们的新专栏图神经网络实战，里面会更新一些图神经网络代码解读和最新的进展。如果大家有什么需要分享的，也欢迎投稿本专栏，感激不尽。GNN的测试：Design Space for Graph Neural Network...
Adaptive Graph Convolutional Neural Networks
qq_45312141的博客
06-12 3408
Adaptive Graph Convolutional Neural Networks1、Introduction1、Introduction1、Introduction2、Method2、Method2、Method2.1 SGC−LL Layer2.1\ SGC-LL\ Layer2.1 SGC−LL Layer1.学习图Laplacian2.训练图更新的度量3.特征转换重参数化4. 残差图Laplacian2.2 AGCN网络Graph Max Pooli
【GCN】《Adaptive Propagation Graph Convolutional Network》（TNNLS 2020）
chadlee
07-19 289
为每个节点赋予一个停止单元，该单元输出一个值控制Propagation是否应该继续进行下一跳。聚合时停止单元的输出值就是聚合每跳的权重。可以理解成为每个节点找到自己的感受野。传播的步数应该由每个节点自身决定的，因此给每个节点附加一个线性二分类器作为传播过程的“停止单元”。看起来符合直觉稀疏的图感受野一般更大，稠密的图一般只聚合1～2阶邻居。是通常设置为一个很小的值0.01，保证传播一次之后也可以终止。是该节点当前迭代应该停止的概率（0～1）。这个惩罚项控制了信息在图上传播的“难以程度”。...
AAAI 2022 | 同时适用于同质和异质性的图神经网络
Paper weekly
09-29 1397
©作者 | 庄双双来源| MIND Laboratory论文标题：Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism for Homophily and Heterophily收录会议：AAAI 2022论文链接：https://arxiv.org/abs/2112.13562文章概述图卷积网络 (GC...
【点云处理之论文狂读经典版13】—— Adaptive Graph Convolutional Neural Networks
yuanmiyu6522的博客
06-14 1344
本文所参考的方法将 one-hop local kernel 扩展到了 KKK-hop 连接的情况上。根据graph Fourier transform，如果UUU是LLL的graph Fourier basis集合，那么： xk+1=σ(gθ(LK)xk)=σ(Ugθ(ΛK)UTxk). x_{k+1}=\sigma\left(g_{\theta}\left(L^{K}\right) x_{k}\right)=\sigma\left(U g_{\theta}\left(\Lambda^{K}\right)
【论文】Semi-Supervised Classification with Graph Convolutional Networks
安静
02-27 688
Semi-Supervised Classification with Graph Convolutional Networks1 Introduction2 Fast Approximate Convolutions on Graphs2.1 Spectral Graph Convolutions2.2 Layer-Wise Linear Model3 Semi-Supervised Node ...
[论文笔记] [2017] [ICLR] Semi-Supervised Classification with Graph Convolutional Networks
Alexzhuan
06-21 747
这是Kipf博士期间发表在ICLR’17的一篇论文，在GCN的相关工作中很具影响力，目前被引了3k多次。它的主要贡献在于对 [1] 中的Chebyshev多项式做了一阶估计，提出了一个简单但有效的 propagation rule（GCN层），并且在 graph-based semi-supervised learning 任务上有不错的表现。 Graph-based semi-supervised learning 在图上节点分类问题上（只有一部分节点有label），经典的方法主要有两类：加入图拉普拉斯正
腾讯Angel Graph团队刷新GNN最强榜单OGB世界纪录!
Tencent_BigData的博客
09-02 593
导读/Introduction 近日，在国际顶级图学习标准OGB（Open Graph Benchmark）挑战赛中，腾讯大数据Angel Graph团队联合北京大学-腾讯协同创新实验室，以较大优势在三个最大的OGB分类数据集：ogbn-papers100M、ogbn-products和ogbn-mag三项任务榜单第一！ OGB是目前公认最权威的图学习通用性能评价基准数据集，由斯坦福大学Jure Leskovec教授团队建立并开源，并吸引了斯坦福大学、康奈尔大学、Facebook、N...
GCN代码超详解析Two-stream adaptive graph convolutional network for Skeleton-Based Action Recognition（二）
Beryl的博客
04-20 4074
代码地址：https://github.com/lshiwjx/2s-AGCN 本篇解析代码为[2s-AGCN/model/aagcn.py] import math import numpy as np import torch import torch.nn as nn from torch.autograd import Variable def import_class(name):...
Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks（一）论文阅读
qq_44024204的博客
04-04 1887
目录MS-AAGCN_2019AbstractIntroductionRelated WorkGRAPH CONVOLUTIONAL NETWORKSA.Graph constructionB. Graph convolutionC. ImplementationMULTI-STREAM ATTENTION-ENHANCED ADAPTIVEA. Adaptive graph convolutional layerThe first sub-graph (BkB_{k}Bk​)The second sub-
【KDD20】深度图神经网络专题
zenRRan的博客
09-18 1431
论文解读者：北邮 GAMMA Lab 硕士生朱美琪1 引言图神经网络在处理基于图数据问题方面取得了巨大的成功，受到了广泛的关注和应用。GNNs通常是基于消息传递的方式设计的，本质思想...
【GCN】图卷积网络 Graph Convolutional Networks
zandaoguang的博客
02-15 1112
公众号关注“视学算法”设为 “星标”，DLCV消息即可送达！作者 | Frank Cao专栏 | 深度学习地址 | https://zhuanlan.zhihu.com/p/10100...
《Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition》论文阅读之2s-AGCN
Gavinmiaoc的博客
06-17 5921
paper：2s-AGCN code :2s-AGCN 摘要 在基于骨架的动作识别中，将人体骨架建模为时空图的图形卷积网络（GCN）取得了显著的效果。然而，在现有的基于GCN的方法中，图的拓扑结构是手动设置的，并且它固定在所有层和输入样本上。对于行动识别任务中的分层GCN和不同的样本，这可能不是最佳选择。此外，在现有的方法中，很少研究骨骼数据的二阶信息（骨骼的长度和方向），这对于动作识...
Explainability Methods for Graph Convolutional Neural Networks--论文笔记
mei1318874404的博客
03-13 1730
记录一下这周看的论文 这周的论文其实说还挺好。 《图卷积神经网络的可解释方法》 首先的话先说一下这个可解释方法是什么意思吧，其实开始我也是不懂，我是在网上找得相关资料才得知的。 就是说，可解释方法在最开始是针对CNN提出的。我在网上的一篇文章看到的写得很好原文出处请点击： 在当前深度学习的领域，有一个非常不好的风气：一切以经验论，好用就行，不问为什么，很少深究问题背后的深层次原因。从长远来看，这样...
Unsupervised Domain Adaptive Graph Convolutional Networks-WWW-2020论文笔记
qq_40491207的博客
03-26 1706
2. Unsupervised Domain Adaptive Graph Convolutional Networks-WWW-2020 论文链接 1. 主要思想 作者认为现有的GCN算法只能在单个domain（graph）中应用，无法实现跨域的迁移学习。提出了无监督域自适应图卷积网络。为有效获取图表达学习，作者构建了一个双图卷积网络，能够统一利用局部一致性和全局一致性进行特征聚合；再通过注意力...
《Adaptive Graph Convolutional Neural Networks》论文理解
moster.YC的博客
06-05 3856
1.AGCN模型框架 AGCN由多个连续层组合而成，其核心层为SGC-LL层。层组合包括一个SGC-LL层，一个批处理归一层和一个图最大池化层。在每个SGC-LL层训练残差图Laplacian，并在接着一层图池层。在下一个SGC-LL层之前，自适应图(固有+残差图)一直被重用，因为SGC-LL会变换特征，所以下一个SGC-LL需要重新训练一个新的残差图。 在进过上述组合层（SGC-LL层，批处理归一层，图最大池化层）后，批处理的图形结构将被更新，而图形大小保持不变。由于任何图像粗化或特征平均都将破坏信息性局
【论文阅读笔记】Graph Convolutional Networks for Text Classification
学习带来的快乐最持久~
07-06 1439
目录1 原文2 针对问题3 模型 / 方法3.1 Text GCN4 实验结果5 讨论6 结论 1 原文 Graph Convolutional Networks for Text Classification 源码 2 针对问题 文本分类是自然语言处理中一个常见的基础问题。我们常用的文本表示方法有CNN，RNN，LSTM等等。这些模型会优先考虑文本的顺序信息和局部信息，能够很好的捕获连续词序列中的语义和语法信息，但是它忽略了全局的词共现，词共现中携带了不连续以及长距离的语义信息。 3 模型 / 方法 使用
adaptive universal generalized pagerank graph neural network(iclr2021)
最新发布
08-01
《自适应通用广义PageRank图神经网络》是在ICLR2021中发布的一篇论文。这篇论文提出了一种新的图神经网络模型，称为自适应通用广义PageRank图神经网络。 传统的图神经网络通常使用节点和边的特征来进行节点分类和...
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