GNNs
关注
分享
扫一扫
文章平均质量分 85
关于图神经网络基础、理论及应用
lijfrank
Life is too short, recording the fragments of studying.
展开
-
探索蛋白质相互作用的新视角：图神经网络在预测中的应用
在生物学研究中，蛋白质-蛋白质相互作用（PPI）是理解细胞生物学过程和揭示疾病机制的关键。随着时间的推移，科学家们已经开发出了许多方法来预测这些复杂的相互作用。然而，当这些方法应用于未见过的数据集时，它们的性能往往会显著下降。在最近的一项研究中，来自SenseTime Research的Guofeng Lv、Zhiqiang Hu、Yanguang Bi和Shaoting Zhang提出了一个新的评估框架和基于图神经网络（GNN）的方法，用于更好地预测新型蛋白质之间的相互作用。原创 2024-10-04 02:22:58 · 717 阅读 · 0 评论 -
欧/非欧几里得数据
欧/非欧几里得数据欧几里得数据非欧几里德数据欧几里得数据像图片(image) 和视频(video) 以及 语音(voice) 这些排列整齐的数据可以用矩阵来表达，如：图片数据天然的，节点和邻居节点有着统计上的相关性，因此能够找出邻居节点。这类型的数据排列整齐，不同样本之间可以容易的定义出“距离”这个概念出来，意味着可以很容易地定义出卷积这个操作出来，并且在深度网络中进行进一步操作。假设现在有两个图片样本，尽管其图片大小可能不一致，但是总是可以通过空间下采样的方式将其统一到同一个尺寸的，然后直接逐个像转载 2022-03-01 21:45:08 · 3078 阅读 · 0 评论 -
GCN的前前后后详解
参考论文1. Spectral Networks and Deep Locally Connected Networks on Graph2. Convolutional Neural Networks on Graphs With Fast Localized Spectral Filtering3. Semi-Supervised Classification with Graph...原创 2020-01-13 17:37:02 · 797 阅读 · 0 评论 -
Graph Embeding—DeepWalk、Line、SDNE、Node2vec、Struc2vec
Graph Embeding—DeepWalk、Line、SDNE、Node2vec、Struc2vec概念什么是图嵌入（网络嵌入）？为什么用Graph Embeding？DeepWalk（2014）LINE（2015）SDNE（2016）Node2vec（2016）Struc2vec（KDD 2017）扩展概念什么是图嵌入（网络嵌入）？图嵌入就是将图中的节点用一个较低维度的向量表示，并且这些向量要能反应原先图的某些特性，如在原图中两个节点的结构类似，那么这两个节点的向量表示也应该类似。机器学习下游原创 2022-02-27 23:42:13 · 1953 阅读 · 0 评论 -
Graph Neural Networks—GCN、GraphSAGE、GAT
GCN（1stChebNet）与GraphSage的不同：GCN需要将整个图（邻接矩阵）输入进去，GraphSage不用输入整个图的拓扑结构，可以批量处理；GCN是直推式的方法，GraphSage是归纳式的方法，可以处理unseen node；GCN聚合了每个邻居的信息，GraphSage采样固定数量的邻居；GCN的输入有节点编号列表、节点特征、邻接矩阵，而GraphSage的输入包括三个部分，节点编号列表、每个节点的邻居列表、节点的特征表示矩阵；GCN表面看起来是谱域方法，其实也是一种空域方法原创 2021-04-19 02:03:31 · 3308 阅读 · 0 评论 -
Side Information-KGAT: Knowledge Graph Attention Network for Recommendation阅读笔记
Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu and Tat-Seng Chua (2019). KGAT: Knowledge Graph Attention Network for Recommendation. Paper in ACM DL or Paper in arXiv. In KDD’19, Anchorage, Alaska, USA, August 4-8, 2019.@inproceedings{KGAT19,author =.原创 2020-06-28 13:05:50 · 612 阅读 · 0 评论 -
Side Information-Knowledge Graph Convolutional Networks for Recommender Systems阅读笔记
Knowledge Graph Convolutional Networks for Recommender Systems基本信息作者Hongwei Wang∗, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo†[重要作者提示]†Dr. Minyi Guo (过敏意), Zhiyuan Chair Professor, IEEE Fellow, ACM Distinguished Member标签Recommender systems; Knowledge原创 2020-06-27 16:33:49 · 1421 阅读 · 0 评论 -
RGCN-Modeling Relational Data with Graph Convolutional Networks阅读笔记
作者：来自于 University of Amsterdam 的 Michael Schlichtkrull, Thomas N. Kipf（GCN的作者）, Peter Bloem（VU Amsterdam）, Rianne van den Berg, Ivan Titov, Max WellingAbstractKnowledge graphs enable a wide variety of applications, including question answering and inform原创 2020-06-26 22:20:46 · 2128 阅读 · 1 评论 -
GraphSage-Inductive Representation Learning on Large Graphs阅读笔记
William L. Hamilton∗，Rex Ying∗，Jure LeskovecNIPS 2017AbstractLow-dimensional embeddings of nodes in large graphs have proved extremely useful in a variety of prediction tasks, from content recommendation to identifying protein functions. However, most e原创 2020-06-24 22:42:38 · 912 阅读 · 0 评论 -
NRL: network representation learning和NE: network embedding必读论文清单
网络表示学习（NRL: network representation learning）和网络嵌入研究领域（NE: network embedding）必读论文清单 https://blog.youkuaiyun.com/yimingsilence/article/details/80474046转载 2019-07-24 16:15:04 · 265 阅读 · 0 评论 -
知识图谱——链接预测（表示学习）
本文来自于：https://blog.youkuaiyun.com/qq_26919935/article/details/82853051，感谢原创！系列算法TransE：同一语义空间表示，向量加法TransH：让一个实体在不同关系下有不同的表示TransR：认为不同的关系拥有不同的语义空间（实体向关系空间投射）CTransR：细分关系TransD：为头尾实体构建不同的投影矩阵（矩阵与实体关系都...转载 2019-07-06 18:12:52 · 7199 阅读 · 0 评论 -
Neo4j图分析—链接预测算法（Link Prediction Algorithms）
链接预测是图数据挖掘中的一个重要问题。链接预测旨在预测图中丢失的边, 或者未来可能会出现的边。这些算法主要用于判断相邻的两个节点之间的亲密程度。通常亲密度越大的节点之间的亲密分值越高。The Adamic Adar algorithm (algo.linkprediction.adamicAdar)Adamic Adar是一种基于节点之间共同邻居的亲密度测算方法。2003年由 Lada Ada...转载 2019-07-06 18:05:20 · 8220 阅读 · 4 评论 -
拉普拉斯矩阵
拉普拉斯矩阵是图论中用到的一种重要矩阵，给定一个有n个顶点的图 G=(V,E)，其拉普拉斯矩阵被定义为 L = D-A，D其中为图的度矩阵，A为图的邻接矩阵。例如，给定一个简单的图，如下（例子来自wiki百科）：把此“图”转换为邻接矩阵的形式，记为A：把W的每一列元素加起来得到N个数，然后把它们放在对角线上（其它地方都是零），组成一个N×N的对角矩阵，记为度矩阵D，如下图所示。其实度矩阵（...转载 2019-07-09 18:17:52 · 2721 阅读 · 0 评论 -
GML的一些看法
趋势： 更扎实的理论认识，公式推导，算法层面; 最新最酷的GNN应用; 知识图谱在变得越来越流行，知识图谱应用到GNN; 图嵌入的新框架。 1、更扎实的理论认识，公式推导，算法层面What graph neural networks cannot learn: depth vs widthGraph Neural Networks loss expr...转载 2020-02-12 18:06:09 · 347 阅读 · 0 评论 -
Gated Residual Recurrent Graph Neural Networks for Traffic Prediction
问题类别回归、提高深度、知识融合、网络结构问题描述交通流量预测问题，利用连续的历史交通状态来预测道路网络的未来交通状态。之前的方法：1、卷积神经网络（CNNs）与递归神经网络（RNNs）相结合应用于交通预测问题，这样的组合不能捕捉到交通网络的连通性和全局性（没有考虑关系，即边）；2、存在消失梯度和爆炸梯度问题；3、由于卷积和递归运算的非线性性质，这些模型对输入的大规模线性（数乘和加减法...原创 2020-02-20 23:39:20 · 1142 阅读 · 0 评论 -
Graph Attention Networks理解
针对图结构数据，本文提出了一种GAT（graph attention networks）网络。该网络使用masked self-attention层解决了之前基于图卷积（或其近似）的模型所存在的问题。在GAT中，图中的每个节点可以根据邻节点的特征，为其分配不同的权值。GAT的另一个优点在于，无需使用预先构建好的图。因此，GAT可以解决一些基于谱的图神经网络中所具有的问题。实验证明，GAT模型可以有...原创 2019-11-20 00:40:22 · 2402 阅读 · 0 评论 -
Semi-Supervised Classification With Graph Convolutional Networks
图卷积网络的半监督分类提升了图卷积的性能，使用切比雪夫多项式的1阶近似完成了高效的图卷积架构。原文链接：Semi-Supervised Classification with Graph Convolutional Networks. Kipf & Welling 2017一开始就提出，2Fast Approximate Convolutions On Graphs介绍基...原创 2019-11-09 21:11:50 · 3473 阅读 · 5 评论 -
Semi-supervised User Geolocation via Graph Convolutional Networks笔记
#ACL 2018CCF评级：A类官方网站：ACL 2018会议时间：2018/07/15 至 2018/07/20会议地址：Australia推荐理由：本文利用GCN将用户文本与网络结构信息整合，来达到获取更加准确的社交媒体用户地理位置定位。论文核心： 本文解决的问题是社交媒体用户的地理位置定位问题。位置定位常常依赖于用户的IP地址，WIFI使用足迹以及GPS信息。但是第三方的服务...翻译 2019-07-18 16:57:30 · 1164 阅读 · 2 评论 -
图梯度、散度、拉普拉斯算子
graph上定义的graident、divergence、Laplace operator或Laplacian。graident定义：边的梯度=(边的终点-边的起点)/边的权重标题的梯度=(4-2)/1=2，的梯度=(7-2)/1=5...引入关联矩阵，起点为-1，终点为1，则该graph的关联矩阵为,属性矩阵，那么，图的梯度为，发现和图上梯度的定义一样。故，。...原创 2020-01-12 21:59:00 · 1425 阅读 · 14 评论 -
异构图注意力网络（Heterogeneous Graph Attention Network）
Heterogeneous Graph Attention Network这篇论文将会发表在WWW 2019会议上。ABSTRACTGNN在深度学习领域表现出了强大的性能。但是，在包含不同节点和边的HIN领域（Hetegeneous Information Network，是由 UIUC 的 Han Jiawei 和 UCLA 的 Sun Yizhou 在 2011 年的 VLDB 论...原创 2019-11-20 22:18:43 · 4849 阅读 · 2 评论 -
PyTorch图神经网络库PyG
本文来自：https://zhuanlan.zhihu.com/p/58758120比DGL快14倍：PyTorch图神经网络库PyG上线了图神经网络是最近 AI 领域最热门的方向之一，很多图神经网络框架如graph_nets和DGL已经上线。但看起来这些工具还有很多可以改进的空间。近日，来自德国多特蒙德工业大学的研究者们提出了 PyTorch Geometric，该项目一经上线便在...转载 2019-11-13 17:17:18 · 1942 阅读 · 0 评论 -
图中割点、割边的理解
割点集合在一个无向连通图中，如果有一个顶点集合，删除这个顶点集合，以及这个集合中所有顶点相关联的边以后，原图变成多个连通块，就称这个点集为割点集合。（一般是有多个顶点组成）割边集合在一个无向连通图中，如果有一个边集合，删除这个边集合以后，原图变成多个连通块，就称这个点集为割边集合。（一般有多个边组成）点连通度一个图的点连通度的定义为，最小割点集合中的顶点数边连通度一个图的边连通度的定...原创 2019-10-19 11:30:44 · 4101 阅读 · 0 评论 -
图神经网络论文翻译或笔记
DGLdgl-GNN-models-GCN - Semi-Supervised Classification with Graph Convolutional Network：图卷积网络（Graph Convolutional Network） https://blog.youkuaiyun.com/chensi1995/article/details/77232019dgl-GNN-models-GA...原创 2019-07-16 17:00:19 · 1215 阅读 · 0 评论 -
A Comprehensive Survey on Graph Neural Networks（图神经网络的综合研究）
近年来，深度学习彻底改变了很多机器学习任务，从图像分类，视频处理到语音识别、自然语言处理等，但是通常来说，这些任务的数据都是欧式数据。现实中，很多数据都是非线性的，不是欧式数据，因此被表示为数据之间复杂关系和相互依赖的图结构。 图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据的深度学习方法的研究。本文对图神经网络（GNNs）在数据挖掘和机器学习方面的应用做了全面...转载 2019-07-10 22:15:08 · 2297 阅读 · 0 评论 -
图神经网络（GNN）总结
1 简单的图的参数介绍G=(V,E,A)\mathcal { G } = ( V , E , A )G=(V,E,A)V(N个)是节点集合, 只描述了存在的节点E是边集合, 只描述了存在的连接(边)A(NxN)是图的邻接矩阵, 描述了节点之间的连接关系, 当对应的边eij(连接vi,vj的边)存在的时候, 则对应的Aij = wij> 0, 若eij不存在, 则Aij = 0D(...转载 2019-07-09 22:19:48 · 13529 阅读 · 0 评论 -
Graph Neural Network（GNN）概述
什么是GNNGNN是Graph Neural Network的简称，是用于学习包含大量连接的图的联结主义模型。当信息在图的节点之间传播时GNN会捕捉到图的独立性。与标准神经网络不同的是，GNN会保持一种状态，这个状态可以代表来源于人为指定的深度上的信息。图神经网络处理的数据就是图，而图是一种非欧几里得数据。GNN的目标是学习到每个节点的邻居的状态嵌入（embedding），这个状态嵌入是向量且...转载 2019-07-06 21:57:49 · 9453 阅读 · 1 评论 -
Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting
问题类别 回归、网络结构、多图 问题描述 区域级（将一个城市按1平方km分为多个区域）的乘车需求预测。区域级乘车需求预测的目标是在历史观测的基础上，预测城市各区域未来的乘车需求。以前的方法：1、基于区域的时空预测中，使用的是处理欧几里德数据的卷积神经网络和递归神经网络。2、当用RNN建立时间相关模型时，每个区域都是独立的或仅基于局部信息（和全局信息相反，如没有考虑城市所有区域一些...原创 2020-02-19 23:09:47 · 1697 阅读 · 1 评论 -
Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting
问题类别回归、邻接矩阵、时空网问题描述交通流量预测问题。为了跟踪交通数据之间的空间依赖关系，提出了一种动态时空GCNN用于精确的交通预测。现有的GCNN方法：拉普拉斯矩阵（度矩阵和邻接矩阵的运算结果）固定，空间依赖关系会随着时间的推移而改变，使用固定的拉普拉斯矩阵无法捕捉这种变化。解决方法的核心思想动态GCNN（DGCNN）。1、张量分解操作：从流量样本中提取全局分量（由路网结...原创 2020-02-20 23:40:47 · 2100 阅读 · 5 评论 -
I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph Convolutional Networks a
题目全称I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph Convolutional Networks and Knowledge Graphs问题类别生成分类器、知识融合问题描述一种ZSAR（零次Zero-shot 行为/动作识别）框架，该框架用于自动生成新类别的分类器。其中...原创 2020-02-20 23:43:33 · 975 阅读 · 0 评论 -
Gaussian-Induced Convolution for Graphs
问题类别嵌入、知识融合、网络结构问题描述一个高斯诱导图卷积框架来学习图的表示（嵌入）。1、边的信息集成到加权高斯模型中来编码子图（同态图）不同的区域（如图1a和图1b有一个部分不同），每个加权高斯模型都隐式地刻画了不同子图的一个分量。2、为了粗化图（减少节点的数量），推导了一个顶点诱导的高斯混合模型，根据边的连接动态地聚类顶点，其近似等价于加权图割（graph cut）。改进：1、不同...原创 2020-02-20 23:45:14 · 331 阅读 · 0 评论 -
论文阅读笔记清单
1、Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting原创 2020-02-21 14:52:07 · 257 阅读 · 0 评论