【几何深度学习（Geometric Deep Learning）】大规模动态图（Dynamic Graphs）

最新推荐文章于 2025-12-02 20:45:02 发布
最新推荐文章于 2025-12-02 20:45:02 发布
阅读量77 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 人工智能技术白皮书 文章标签： 深度学习 人工智能 python
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/VectorShift/article/details/151069016

如何在保持对称性的同时快速更新节点/边特征？

目标：给出一套完整的技术方案，既能保证图结构与属性的“对称性”——即无论从哪个方向读取信息都得到相同结果，又能在大规模动态图（数十亿级别顶点/边）中实现高效、可扩展的特征更新。
读者：研究人员、算法工程师以及需要构建实时图服务的系统架构师。

1. 引言

  • 挑战：
    1. 海量数据：传统基于全图重新计算的算法无法满足实时性。
    2. 高维特征：节点/边属性往往是稀疏向量或低秩矩阵，更新时需要避免冗余运算。
    3. 并发冲突：多线程/分布式环境下，如何保证一致性与性能。

2. 理论分析

2.1 对称性的数学表达

2.2

了解本专栏 订阅专栏 解锁全文 超级会员免费看
几何深度学习（Geometric Deep Learning）—— 原理与核心算法
VectorShift的博客
09-01 400
主要内容包括：几何深度学习的概念框架、对称性与不变性的数学基础、卷积、注意力及图网络中的群理论实现，以及常见模型（GCN、GAT、SAGE、Graph Transformer、PointNet++ 等）的核心原理。全文以**“从先验到归纳”**的视角展开，帮助读者把握如何将物理对称性或几何约束嵌入网络结构。
Geometric deep learning: going beyond Euclidean data译文
weixin_42037651的博客
09-12 2382
Geometric deep learning: going beyond Euclidean data（几何深度学习：超越欧几里得数据） 摘要： 许多科学领域研究具有非欧几里德空间的底层结构的数据。一些例子包括计算社会科学中的社会网络、通信中的传感器网络、脑成像中的功能网络、遗传学中的调节网络以及计算机图形学中的网状表面。在许多应用中，此类几何数据庞大而复杂（在社交网络中，规模达数十亿），是机器学习技术的自然目标。特别是，我们希望使用深度神经网络，它最近被证明是解决计算机视觉、自然语言处理和音频分析等广泛
自动驾驶中图像与点云融合的深度学习研究综述
qq_38608777的博客
11-02 4953
Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTA TION SYSTEMS 摘要 在过去的几年中，自动驾驶汽车得到了迅速的发展。然而，由于复杂和动态的驾驶环境，实现完全自主并不是一件轻而易举的事情。因此，自动驾驶汽车配备了一套不同的传感器，以确保强大，准确的环境感知。尤其是，摄像融合技术正在成为一个新兴的研究
深度学习各子领域略览及术语列表
诸神缄默不语的博客
01-05 3922
深度学习各子领域略览及术语列表
深度学习求深度图_关于图的深度学习成功挑战和下一步
weixin_26706653的博客
09-11 410
深度学习求深度图 重点 (Top highlight) 图神经网络的下一步是什么？ (What is next in store for graph neural networks?) TL;DR This is the first in a series of posts where I will discuss the evolution and future trends in the fi...
深度学习如何入门？
热门推荐
GarfieldEr007的专栏
05-25 1万+
beanfrog ，computer vision 161 人赞同 先了解个大概 A Deep Learning Tutorial: From Perceptrons to Algorithms 神经网络肯定是要学习的，主要是BP算法，可以看看PRML3、4、5三章，可先忽略其中的贝叶斯视角的解释。一些主要的算法理解要看具体的论文了，有个Matlab的程序不错，有基本算法的实
非欧几里得空间图卷积算子设计：突破几何限制的图神经网络新范式
Liudef06的博客
07-12 2012
本文探讨了非欧几里得空间图卷积算子设计的新范式，以突破传统图神经网络在欧几里得空间中的几何限制。针对社交网络、知识图谱等复杂图数据的内在非欧特性（如层次性、球形拓扑），文章系统分析了双曲空间和球面空间的图卷积算子设计方法，包括空间模型、几何运算规则及具体实现技术。重点介绍了基于切空间聚合和消息传递的两类主流设计范式，并讨论了通用黎曼流形图卷积的挑战与解决方案。该研究为提升图神经网络处理复杂现实数据的能力提供了重要的理论框架和技术路径。
Deep Learning for 3D Point Clouds: A Survey - 3D点云的深度学习：一项调查 (IEEE TPAMI 2020)
77wpa的博客
02-02 2524
由于点云学习在计算机视觉、自动驾驶和机器人等许多领域的广泛应用，点云学习最近引起了越来越多的关注。作为人工智能中的一项主要技术，深度学习已经成功地用于解决各种2D视觉问题。然而，由于使用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段。最近，点云上的深度学习变得更加繁荣，有许多方法被提出来解决这一领域的不同问题。为了促进未来的研究，本文全面回顾了点云深度学习方法的最新进展。它包括三个主要任务，包括3D形状分类、3D目标检测和跟踪以及3D点云分割。
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5947
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 9430
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
【人工智能】【深度学习】④ Stable Diffusion核心算法解析：从DDPM到文本生成图像的飞跃
最新发布
xiezhiyi007的专栏
12-02 660
Stable Diffusion是AI绘画领域的革命性技术，其核心基于扩散模型：通过"拆快递"式的噪声添加（前向扩散）和"拼乐高"式的逐步去噪（逆向过程），实现从噪声到图像的构建。本文用快递分拣、乐高拼装等生活化类比，解析CLIP文本编码器（翻译文字指令）、VAE（图像压缩）和U-Net（智能拼图）三大核心组件。相比传统GAN模型，它避免模式崩溃，提升语义理解能力，成为文本生成图像的黄金标准。通过代码与架构图解析，帮助开发者快速掌握这项技术的核心逻辑。
基于LSTM-GARCH混合模型：降息预期驱动金价攀升，白银刷新历史峰值的蒙特卡洛模拟验证
12-01 564
本文通过构建宏观经济变量与贵金属价格联动的AI量化模型，结合市场情绪分析算法与历史数据回溯，分析美联储降息预期、美元指数波动及关键经济数据对黄金、白银价格走势的量化影响机制。
深度学习理论推导--多元线性回归
weixin_43719312的博客
12-02 517
本文介绍了多元线性回归的矩阵表示与求解方法。首先通过矩阵运算展示了如何从一元线性回归扩展到多元情形，推导出预测值的矩阵表达式。然后定义了残差平方和(RSS)的矩阵形式。最后详细阐述了利用链式法则对参数求导的过程，说明如何通过最小化残差平方和来求解最优参数。全文以矩阵运算为核心，展示了多元线性回归的简洁数学表达和求解思路。
深度学习理论推导--梯度下降法
weixin_43719312的博客
12-02 650
本文通过小猪体重增长的例子，生动解释了梯度下降法的原理。首先回顾线性回归的求解方法（最小二乘法和正规方程），指出非线性问题的局限性。然后以二元函数z=1+x+2y为例，通过微分推导证明：在微观尺度下，当增量方向与梯度方向一致时，函数增长最快。文中详细分析了不同方向上的增量变化，并用向量运算说明梯度方向的重要性。最后指出梯度向量∇z=[1,2]^T即为函数增长最快的方向，为后续讲解梯度下降法奠定了基础。
【光伏功率预测】EMD 分解 + PCA 降维 + LSTM 的联合建模与 Matlab 实现
专注AI大模型,软件混淆,授权
12-01 1160
本文提出一种基于EMD-PCA-LSTM的光伏功率预测方法，通过多尺度分解与深度学习结合解决光伏功率的非线性、非平稳性问题。首先利用EMD将功率序列分解为不同时间尺度的IMF分量，再结合辐照度、温度等外部特征构建特征矩阵，通过PCA降维后输入LSTM网络进行预测。Matlab实现流程包括数据预处理、EMD分解、PCA降维、LSTM建模等步骤，并给出完整的代码框架。实验结果表明该方法能有效提高预测精度，RMSE、MAE等指标表现良好。该方法可扩展加入更多特征和深度学习结构，为光伏功率预测提供有效解决方案。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 311
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
深度学习实战（基于pytroch）系列（四十）长短期记忆（LSTM）从零开始实现
echo的博客
11-28 1460
LSTM（长短期记忆网络）是一种改进的循环神经网络，通过引入输入门、遗忘门和输出门三个控制单元，以及记忆细胞结构，有效解决了传统RNN的梯度消失问题。其核心计算包括：三个门控单元通过sigmoid函数调节信息流动，候选记忆细胞使用tanh函数生成，最终记忆细胞由遗忘门和输入门共同决定。实验使用周杰伦歌词数据集进行训练，从零实现了LSTM模型的参数初始化和前向传播过程，包括状态初始化、门控计算和隐藏状态更新。该结构能更好地捕捉长距离依赖关系，适用于序列建模任务。
RNN、LSTM 区别
Bojun Jiang的博客
12-02 493
对比维度传统 RNNLSTM（长短期记忆网络）核心结构单一隐藏状态（h），无门控机制细胞状态（长期记忆）+ 隐藏状态（短期记忆）+ 3 个门控长距离依赖能力弱（梯度消失 / 爆炸，记不住长远信息）强（门控 + 细胞状态稳定传递长距离信息）参数复杂度低（结构简单，参数少）高（多了门控参数，计算量更大）训练难度易训练（参数少）但效果差（长序列）难训练（参数多、计算量大）但效果好（长序列）适用场景短序列数据（如 10 个词以内的短句、短时序）
Python连接云端Linux服务器进行远程 （后端开发/深度学习）时候的注意事项
少年何妨梦摘星，敢挽桑弓射玉衡。 他时若遂凌云志，敢笑黄巢不丈夫。
11-29 897
Python云端远程开发，遇到的相关的知识点。比如Linux以及shell的常用的命令，使用pyenv管理pyhton的版本！类似Vue使用nvm管理的！编写 `setup.py`？（配合 `-e .` 使用）Python连接云端Linux服务器进行远程 （后端开发/深度学习）时候的注意事项。深度学习，AI，神经网络，入门教程
掌握PyTorch Geometric：实现几何深度学习的利器
标签“pytorch geometric-deep-learning graph-neural-networks Python”是PYG库的关键词，它明确了这个库是与深度学习、图神经网络和Python语言紧密相关的。 文件名称“pytorch_geometric-master”表明了这是一个...
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