论文笔记之Deep Convolutional Networks on Graph-Structured Data

最新推荐文章于 2024-08-26 00:15:00 发布
最新推荐文章于 2024-08-26 00:15:00 发布
阅读量8.4k 收藏 5
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 论文笔记 machine learning dl cnn graph
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.youkuaiyun.com/BVL10101111/article/details/53437940
本文深入探讨2015年nips论文中关于在图结构数据上应用深度卷积网络的方法。文章重点介绍了如何进行图上的卷积操作，使用拉普拉斯矩阵特征向量对角化和spline核减少参数；层次聚类的pooling策略；以及针对有无标签数据的图构建。对于无标签图，通过欧氏距离构建高斯扩散核，而有标签图则利用浅层神经网络学习特征权重。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本篇论文是2015年nips上的一篇论文，
是对于其本人在2014年nips发表的论文：Deep Convolutional Networks on Graph-StructuredData
对于graph上的cnn进一步探讨。

相比于之前的工作，此篇论文主要贡献有两点：
1.将之前的construction应用于大数据集的分类问题——Imagenet
2.对于输入的graph是否有标签，分别用有监督和无监督学习去应用

**

graph上的卷积操作

**
继续运用图谱论的知识去操作整个算法如下图：
这里写图片描述
采用laplacian的矩阵的特征向量对输入进行对角化操作，并且利用spline核K来达到减少参数的目的。

**

pooling

**
层次聚类的方式。

**

graph的建立

**

1 无label的图
假设这个数据集X有L个samples，N个features，
需要知道feature与feature之间的相似性的值，来组成邻接矩阵A（用于计算laplacian）
由于每个sample没有label因此，这么计算：
先计算出每个feature之间的欧氏距离
这里写图片描述
这里Xi表示由所有sample在

最低0.47元/天 解锁文章

200万优质内容无限畅学
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4306
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
论文《Graph Neural Networks with convolutional ARMA filters》笔记
最新发布
bunny___的博客
09-09 1369
【ARMA 2021 PAMI】本文介绍了一种新型的基于**自回归移动平均（Auto-Regression Moving Average，ARMA）**滤波器的图卷积层。与多项式滤波器相比，ARMA滤波器提供了更灵活的频率响应，对噪声更鲁棒，能更好地捕获全局图结构。
[论文笔记] [2015] Deep Convolutional Networks on Graph-Structured Data
Alexzhuan
06-03 1202
这是15年的一篇论文，是Joan Bruna等人对13年的工作 Spectral Network [1] 做出的改进，主要解决两个了问题： spectral network 拓展到大规模数据（large-scale, high-dimensional）任务上 对于没有给定图结构的任务，提出了一种 graph estimation 方法 Generalizing Convolutions to Graphs 这一篇在spetral network的定义上，描述地更加简洁明了。 Definition 1.
Deep Convolutional Networks on Graph-Structured Data 汉译与理解
weixin_45086320的博客
08-02 2060
文章目录Deep Convolutional Networks on Graph-Structured Data 汉译与理解Abstract1 Introduction2 Related Work3 Generalizing Convolutions to Graphs3.1 Spectral Networks3.2 Pooling with Hierarchical Graph Clustering4 Graph Construction4.1 Unsupervised Graph Estimation4
How to do Deep Learning on Graphs with Graph Convolutional Networks Part 2:
bbbeoy的专栏
04-01 834
Machine learning on graphs is a difficult task due to the highly complex, but also informative graph structure. This post is the second in a series on how to do deep learning on graphs with Graph Conv...
[Graph Classification] DiffPool 论文笔记
ilikevegetable的博客
12-06 870
文章目录[Graph Classification] DiffPoolIntroductionAlgorithm [Graph Classification] DiffPool DiffPool是一种可微的图pooling方法，可以生成图的层次表示，并捕捉图的层次结构信息，并且可以结合到很多的GNN模型中。   Introduction DiffPool的方法如上图所示，大致流程为： 通过GNN学习图中节点的embeddings，通过另一个GNN学习节点的分配矩阵 通过分配矩阵，将初始矩阵pooling
A Gentle Introduction to Transfer Learning for Deep Learning | 迁移学习
weixin_30546189的博客
11-29 379
byJason BrownleeonDecember 20, 2017inBetter Deep Learning Transfer learning is a machine learning method where a model developed for a task is reused as the starting point for a model on a se...
2018_WWW_Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification
weixin_46645827的博客
01-10 1527
2018_WWW_Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification—(The World Wide Web Conference, 2018.04.23)-- Chenyi Zhuang, Qiang Ma 论文下载地址： https://doi.org/10.1145/3178876.3186116 发表期刊：IW3C2 (International World Wide Web Confere
Must-read papers on GNN
omnispace的博客
05-06 1156
GNN: graph neural network Contributed by Jie Zhou, Ganqu Cui and Zhengyan Zhang. Survey papers Graph Neural Networks: A Review of Methods and Applications. Jie Zhou, Ganqu Cui, Zhengyan Zhang,...
图卷积神经网络GCN---谱图卷积层代表作
青山白云间
03-31 1231
Spectral-based ConvGNN 这篇博客侧重列举谱图卷积的主要发展演变，如果要从头理解建议阅读图卷积神经网络（Graph Convolutional Network）之谱卷积。 基于图谱方法的卷积是图卷积神经网络的一个重要方法。频谱方法的一个常见缺点是它们需要将整个图形加载到内存中以执行图形卷积，这在处理大图形时效率不高。[8] 1 Spectral networks and l...
关于图卷积的一点思考
Tsingzao的博客
11-30 1137
其实这篇博客是为了凑数的，我就是看11月貌似没有新的博客，所以把最近稍微看了的内容粗略整理一下，那是相当粗略。。。   图卷积网络（Graph Convolution Network）从【1】【2】提出以来，发展迅速，主要包括基于谱的方法（spectral-based）和非基于谱的方法（non-spectral based）两类。基于切比雪夫分解的图卷积网络【3】及其类似简化版【4】也是典型的...
论文笔记之Spectral Networks and Deep Locally Connected Networks on Graphs
BVL的博客
12-01 1万+
这是2014 nips上的一篇论文。 主要的贡献就是设计了在irregular grid上的cnn的应用。**文中有两个并列的模型：第一个模型deep locally connect network（spatial construction从空间角度去建立）locally 体现在 只取每个节点前k个neighborhoods。 connect 体现在，每层与每层之间的神经元数目是通
从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）
热门推荐
weixin_40013463的博客
07-17 9万+
博客刷不出来图的，去知乎地址吧，没图不好懂的。https://www.zhihu.com/question/54504471/answer/332657604 1 什么是离散卷积？CNN中卷积发挥什么作用？ 了解GCN之前必须对离散卷积（或者说CNN中的卷积）有一个明确的认识： 如何通俗易懂地解释卷积？这个链接的内容已经讲得很清楚了，离散卷积本质就是一种加权求和。 如图1所示，CNN中的卷...
导读ICML2016 - Learning Convolutional Neural Networks for Graphs
mmc2015的专栏
06-20 5414
http://mp.weixin.qq.com/s?__biz=MzIxNzE2MTM4OA==&mid=2665642794&idx=1&sn=b11ec8699218d43bb7b404a4980bf82e&scene=25 感觉方法挺好： 论文引介 |Learning Convolutional Neural Networks for Graphs 原创 201
Graph RCNN解读
Sundrops的专栏
10-24 2493
这个十月一堆事，心情也比较烦闷，就一直没有动笔写blog，之前一直在做scene graph的生成，然后最近恰好看到graph-rcnn这篇很不错的文章，就解读做个记录 Framework 以往做scene graph generation，基本都是在faster rcnn基础上检测出图片的物体后，两两配对识别他们的关系，这样做是很有效但是很低效，毕竟并不是所有物体都有关系的，这样做太耗时间了...
最新推荐 | 清华NLP图神经网络GNN论文分门别类，16大应用200+篇论文
THU数据派
08-12 7048
来源：专知本文约6200字，建议阅读5分钟。本文总结了清华大学NLP课题组Jie Zhou, Ganqu Cui, Zhengyan Zhang and Yushi Ba...
Spectral Networks and Deep Locally Connected Networks on Graphs
fnoi2014xtx的博客
09-22 499
Paper : Spectral Networks and Deep Locally Connected Networks on Graphs Code : 摘要 Yann LeCun 组在nips2014发表的有关卷积在图上迁移的理论研究成果，可能是最早的一篇研究Graph Convolution 的文章。在欧式空间中使用的卷积具有平移不变性，权值共享，局部连接，分层次表达的特点，但是图结构是一种非欧式空间中的关系型结构，所以其不存在平移不变性（每个节点的周围邻居数不固定），导致图网络无法使用卷积。作.
【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）
cziun的博客
07-12 1285
【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）摘要1 引言2 空间结构2.1 节点的邻域2.2 图的多分辨率分析2.3 深度局部连接网络 摘要 卷积神经网络在图片和音频的识别任务中表现良好，是充分利用了信号在其域中的局部平移不变性。但由于图是非欧氏空间的数据结构无法进行传统意义上的卷积操作，同时又希望卷积的思想可以应用在图结构上。于是作者基于此提出了两种结构，一种基于域的层次聚类(空
【有啥问啥】图的数据结构（Graph Data Structures）：深入探索与应用
Chauvin的博客
08-26 1524
在当今的数据科学、计算机科学及众多应用领域中，图数据结构（Graph Data Structures）扮演着至关重要的角色。它们不仅提供了一种表示复杂关系的方法，还是许多高效算法的基础。无论是社交网络、路径规划还是生物信息学，图都能够帮助我们建模和解决复杂问题。本文将深入探讨图的基本概念、存储方式、遍历算法以及它们在现实世界中的应用。
very deep convolutional networks for large-scale image recognition
03-17
深度卷积网络是用于大规模图像识别的常用技术。它们通过不断地堆叠卷积层和池化层来增加网络的深度，从而能够更好地提取图像中的特征。在训练过程中，网络会自动学习到图像中的高级特征，如边缘、纹理、形状等，从而提高识别精度。
评论 1
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