GCNS论文总结

最新推荐文章于 2023-04-06 10:04:20 发布
最新推荐文章于 2023-04-06 10:04:20 发布
阅读量2.3k 收藏 8
点赞数 1
分类专栏： GNN/GCN 文章标签： 神经网络 卷积 机器学习 人工智能 深度学习
本文链接：https://blog.csdn.net/zhaoyunduan1958/article/details/105335254
版权
本文详细总结了图卷积网络GCN的发展背景、Laplacian矩阵、图傅里叶变换以及GCN的卷积实现，探讨了GCN在节点分类、边分类和图分类等任务中的应用，并分享了对GCN的深入理解和感悟。
摘要由CSDN通过智能技术生成

GCNS论文总结

主要内容：

一、GCN背景发展
二、Laplacian 矩阵
三、图傅里叶变换
四、GCN卷积实现
五、GCN任务分类/应用
六、谈谈感受

一、GCN背景发展
CNN在图像处理任务中应用广泛，但不能处理graph data(the local translational invariance)。近年来，graph data学习需求日益凸显，谱图、统计分析等Graph Learning理论相继涌现。
随着深度学习的兴起，深度学习模型被引入graph data中，代表性工作是Network Embedding（如DeepWalk、LINE、node2vec），其建模为两阶段问题：（节点分类）为每个节点学习统一长度的表达，节点表达作为输入，训练分类模型。
同时，人们开始用深度学习对图数据进行端到端的建模，GCN则是其中最活跃的一支。
思考1：为什么引入GCN?

二、Laplacian 矩阵
2.1 定义和分类
Graph Fourier Transformation及GCN定义都用到图的Laplacian 矩阵。
G=(V,E)的Laplacian 矩阵定义：L=D−A。
在这里插入图片描述

三种常用的Laplacian：在这里插入图片描述在这里插入图片描述

思考：GCN为什么要用Laplacian矩阵？
2.2 Laplacian谱分解（特征分解，对角化）
实对称半正定矩阵。GCN的核心基于Laplacian矩阵谱分解。
在这里插入图片描述或在这里插入图片描述
上述两者等价。

思考3：什么是半正定

最低0.47元/天 解锁文章
避暑客
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【图神经网络论文整理】（九）—— DeeperGCN: All You Need to Train Deeper GCNs
CSDN 精品推荐
11-27 948
为了防止GCN梯度消失、过度平滑和过拟合等问题，能够再大规模图上训练更深层次，该作者提出了DeeperGCN，并且定义了可微的广义聚合函数来统一不同的消息聚合操作，还将归一化层和残差连接应用到了GCN当中。而且目前很多的GCNs任务都是基于浅层的，如果训练过深，会导致梯度消失以及过平滑问题，已有一些工作尝试解决这些问题，有些通过尝试像图像任务中的残差、密集连接和空洞卷积应用在图任务上。目前聚合函数常见有均值、最大、求和、注意力、LSTM等，而且通过实验表明，不同的聚合函数对不同的任务也会有不同的影响。
GCN 论文英语表达总结
哆啦咪~fo
04-05 987
！猫在家里看论文，写论文的日子真爽 ！我常常自嘲自己的英文写的很像老太太的裹脚布，又臭又长 ！主要是将一些GCN的英文表达方式记录下来，收藏起来慢慢学习 ！会给出论文题目，还有一些小小的note 整合图神经网络的英文表达 Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Ne...
【论文阅读】GCNN Traffic Classification with Graph Neural Network
qq_43955154的博客
03-05 1016
GCNN Traffic Classification with Graph Neural Network摘要介绍流量分类模型chained graph 摘要 目前许多最先进的流分类器都是基于卷积网络等深度学习模型从报文种提取特征的。但是其不能够很好地提取数据包之间的组成以及因果关系，从而影响了不同流量类型的预测精度，泛化能力也不够。 本文在分组流上提出了一个链图模型，以保持分组流的链图组合序列。在自动提取特征的链图上构建一个图分类器。 介绍 由于如今流分类粒度越来越细，类型也越来越多，还需对恶意流量进行检
G-CNN an Iterative Grid Based Object Detector 论文笔记
weixin_40253737的博客
07-31 245
background 任务：取消建议区域的算法，减少盒子的数量，加快速度关键词：G-CNN​ Introduction ​ 这是一篇2016年的论文，主要对标fast rcnn，以fast rcnn为例子，需要通过建议，提供上千个建议区域，十分影响检测的速度，而且positive和negative，hard，easy，也会影响模型的准确率。​ 所以本文作者删除了提案阶段，和减少处理box的数量来提高检测速度。​ 作者认为，将检测区域的生成，看作是一种寻找过程，初始化的区域需要通过复杂的非线性变化，得到最.
论文阅读: DeepGCNs: Can GCNs Go as Deep as CNNs?
sigmoidAndReLU的博客
12-29 1944
论文名称：图卷积神经网络可以走向更深吗？（究极缝合怪） 出自：ICCV 2019 Oral 作者单位： 阿卜杜拉国王科技大学 引言： 卷积神经网络很好，因为它很深，并且由残差连接保证性能的提高。在现有的GCN只有三到四层，而本文提出的缝合怪有56层。 ...
图卷积神经网络介绍(GCNs)
热门推荐
Blssel的博客
07-18 2万+
之前承诺要写一个关于graph network的介绍，因为随着deep learning的发展达到一个很高的水平，reasoning(推理)能力的具备变得异常迫切。而knowledge graph则是实现reasoning的重要途径之一，如何从复杂的graph中学习到潜在的知识是一项非常challenging的任务，图作为knowledge的存储媒介，deep learning作为信息抽取的重要工...
【积】我的GCNs
panbaoran913的博客
04-13 176
我的GCN 一、基础了解 1.1 GCNs的应用 节点分类（node classification) 相关文献 Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing. Demo-net: Degree-specific graph neural networks for node and graph classification. 图形分类(graph classification)
GCN论文笔记
u012370185的博客
06-27 1631
Large Kernel Matters——Improve Semantic Segmentation by Global Convolution Network GCN的pytorch实现:https://github.com/SConsul/Global_Convolutional_Network 论文地址：https://arxiv.org/pdf/1703.02719.pdf 一....
【Inductive Relation Prediction】归纳关系预测相关论文总结
超级超级的博客
08-05 1458
归纳推理：从知识图谱中自动归纳出逻辑规则进行缺失关系预测。
A3T-GCN 论文总结
Jeff zhao
12-05 3026
A3T-GCN: Attention Temporal GraphConvolutional Network for Traffic Forecasting总结 1 论文动机 复杂的时空依赖性，使得交通流预测存在一些挑战：在空间维度上，由于路网的连通性，连接道路之间的交通流密切相关；在时间维度上，受到外部因素的影响，虽然通常相邻时间点之间存在趋势，但远过去点的重要...
自适应二次元动漫卡通风格手机APP应用下载页源码.zip
04-29
自适应二次元动漫卡通风格手机APP应用下载页源码
open_nsfw_android：:fire::fire::fire:色情图片离线识别，基于TensorFlow实现。识别只需20ms，可断开网测试，成功率99％，调用只要一行代码，从雅虎的开源项目open_nsfw植入，该模型文件可用于iOS，java ，C ++等平台
02-06
open_nsfw_android：:fire::fire::fire:色情图片离线识别，基于TensorFlow实现。识别只需20ms，可断开网测试，成功率99％，调用只要一行代码，从雅虎的开源项目open_nsfw植入，该模型文件可用于iOS，java ，C ++等平台
Graph Convolutional Networks (GCNs) 简介
a1424262219的博客
12-18 312
Graph Convolutional Networks 2018-01-16 19:35:17 this Tutorial comes from YouTube Video：https://www.youtube.com/watch?v=0_O8PdZBc5s&t=2097s 之所以这个方面的研究会吸引人，是因为这个东西可以将很多知识联系起来。现实生活中，...
图卷积网络（Graph Convolutional Networks, GCNs）
十二月未央未眠
06-05 2250
目录综述（Overview）大纲（Outline）图神经网络有多强大（How powerful are Graph Convolutional Networks?）最近的相关文献（Recent literature）GCNs 第一部分：定义（GCNs Part I: Definitions）GCNs 第二部分：一个简单的栗子（GCNs Part II: A simple example）GCNs 第三部分：嵌入空手道俱乐部网络（GCNs Part III: Embedding the karate club
2023.4.5 GCNs
最新发布
qq_46586095的博客
04-06 737
图卷积神经网络（Graph Convolutional Networks，GCNs）是一种深度学习模型，用于处理图结构数据。它是通过在节点之间传递信息来学习图表征的一种方法。GCN的基本思想是将每个节点表示为其周围节点的加权平均值，并使用这些表示进行分类和预测等任务。GCN已被广泛应用于社交网络分析，推荐系统和生物信息学等领域。
GCNs学习笔记
小峥嵘(〃'▽'〃)=>猪头代码
12-31 990
简介 图卷积网络就是学习一个函数G=(V,E)G=(V,E)G=(V,E) G=(V,E)输入 设节点NiN_iNi​对应的特征向量为αi\alpha_iαi​则所有节点组成为：(α1,α2,...,αi)(\alpha_1,\alpha_2,...,\alpha_i)(α1​,α2​,...,αi​)作为一个输入 图结构，即邻接矩阵AAA输入 G=(V,E)输出 输出得到新的特征向量组H=(α1′,α2′,...,αi′)H=(\alpha_1',\alpha_2',...,\alpha_i')H=(
gcn 图卷积神经网络_图卷积网络译（GCN）
weixin_39761696的博客
11-30 618
翻译：GRAPH CONVOLUTIONAL NETWORKSThomas kipf,2016年9月30日多层一阶过滤器图卷积网络（GCN）介绍很多重要的真实世界数据集都是以图和网络的形式出现，如：社交网络，知识图谱，蛋白质互相作用网络，万维网等等（仅仅是很少量的举例）。然而，直到现在，在一般的神经网络的模型上，对这类数据模型，我们只投入了很少的精力。在过去的几年，有一些论文探讨了一般神经网络在任...
图神经网络学习(二)-GCN的进化史
rl小透明
05-27 618
1.卷积与GCN 在这里，需要注意的GCN中的等式证明部分 需要证明下面的两个式子相等 2.第一代GCN 3.第二代GCN
深图卷积网络：GCNs能像CNNs一样深吗？
“_DeepGCNs Can GCNs Go as Deep as CNNs.pdf” 是一篇探讨如何使图卷积网络（GCNs）实现深度学习的论文。该论文指出，尽管卷积神经网络（CNNs）在各种领域表现出色，尤其是在处理欧几里得数据时，但它们在处理非...
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