论文报告笔记（三） DEMO-Net:Degree-specific Graph Neural Networks for Node and Graph Classification

最新推荐文章于 2023-02-08 21:25:50 发布
最新推荐文章于 2023-02-08 21:25:50 发布
阅读量1.7k 收藏 7
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 论文笔记系列 文章标签： graph 图卷积 数据挖掘 图神经网络 WLtest
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/lzr_ps/article/details/103369065
这篇论文介绍了DEMO-Net，一种针对节点和图分类的度特定图神经网络框架。DEMO-Net通过度数特定的多任务图卷积和新的图级池化方案，解决了传统图神经网络在度信息处理和图级池化方面的不足。实验表明，DEMO-Net在节点和图分类任务中表现出有效性和高效性。

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

论文笔记（二） DEMO-Net:Degree-specific Graph Neural Networks for Node and Graph Classification

这篇论文不是cv相关，由于要做报告，顺便发篇博客吧

这是2019年8月份在KDD上的一篇关于图神经网络的文章，（找了半天连中文笔记都找不到，只好自己写一篇了）我也是第一次接触图神经网络，有错误请务必评论指正，不胜感激。

FCOs论文链接：https://arxiv.org/abs/1906.02319?context=cs
开源代码：https://github.com/jwu4sml/DEMO-Net
报告ppt：https://pan.baidu.com/s/1XpLGRRc2lwJ0mMs5JX2V8Q提取码：xh6c

Introduction

background

  1. 各种高影响力的领域都产生了大量的图数据：比如生物信息学，全基因组关联研究，社交网络分析等等，而一整张图是难以进行分析的，所以需要从节点和边的属性以及图的拓扑结构中学习到高效的节点和图的表示，然后用这种表示来进行分类、聚合等数据分析
  2. 深度学习在网格结构数据（图像，视频，语言等等）上的成功：所以研究者们觉得 图的拓扑结构和节点属性可以通过像卷积神经网络那样 对局部相邻节点的连续特征向量的
最低0.47元/天 解锁文章

200万优质内容无限畅学
[论文解读]All in one：: Multi-Task Prompting for Graph Neural Networks图神经网络的多任务提示
强化学习曾小健
02-26 1900
这个函数可能是对提示图参数进行操作的某种计算，比如根据这些参数生成新的节点表示，或者更新模型的状态以适应新任务。在不同的上下文中，函数 f(θ) 可以有不同的具体含义，它通常会涉及到如何使用这些参数来影响模型的行为或其对数据的处理方式。不过，由于我无法直接查看PDF文件的内容，所以这里的解释是基于常见的机器学习和深度学习术语的一般性解释。提示图是一种用于调整预训练模型以适应特定任务的结构，这些参数可能包括用于构造提示的节点和边的权重，或者其他用于定义提示图结构的属性。与原始图 G 结合后的新表达式。
论文《Revisiting Heterophily For Graph Neural Networks》笔记
bunny___的博客
07-17 1532
【ACM】作者从聚合后节点相似性的角度重新审视异配性，并定义了新的同质性度量方法。基于聚合相似度度量这一指标，作者提出了一种新的框架，称为自适应信道混合（Adaptive Channel Mixing，ACM），它通过自适应地利用聚合、多样化和身份信道来提取更丰富的局部信息，以对应不同的节点异配性情况。
2019-KDD-DEMO-Net Degree-specific Graph Neural Networks for Node
08-04
Node and Graph ClassificationGraph data widely exist in many high-impact applica
Demo-NetCommunication
07-07
这里是对之前的Python访问Mysql数据库代码的一个优化程序。
图神经网络（Graph Neural Networks）入门之Node Classification
KGV093的博客
03-24 1899
又回来补DL的坑了，这次是关于一个相对较新的方向——图神经网络。之前想做melody/chord generation时听Computer Music方向的大佬Gus Xia教授随口提了一句可以用图神经网络。最近暑期跟Finance相关的研究又跟Knowledge Graph扯到一起，于是开始了解一点GNN~ 为什么要在graph的基础上跑neural networks？目的其实就是为了考虑entities之间的关系。李宏毅教授（的助教）的课中举的一个很贴切的例子：给定一部悬疑片的人物信息，需要预测凶手是
.NET 单点登录DEMO
02-19
.NET 单点登录DEMO 继承JWT 非常规单点登录模式。
Graph-Bert 代码理解③code.MethodGraphBertNodeClassification.py
weixin_40459958的博客
07-21 320
考虑script_3_fine_tuning.py中setting_obj.load_run_save_evaluate() 定义MethodGraphBertNodeClassification类 learning_record_dict = {} lr = 0.001 weight_decay = 5e-4 max_epoch = 500 spy_tag = True load_pretrained_path = '' save_pretrained_path = '' 输入为GraphBertCo
论文笔记--GCC Graph Contrastive Coding for Graph Neural Network Pre-Training
weixin_44139001的博客
10-22 2202
论文笔记–GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training 简介：KDD 2020发表的一篇关于预训练应用在图神经网络的论文，目前引用量120+。目标是学习一个初始化的GNN encoder，但是实验效果不佳， GCC 表现逼进甚至不如目前的GIN。论文链接???? 摘要 引言 相关工作 GCC 实验 结论 摘要 ​ 图表征学习（Graph representation learning）已经成为解决现实问题的一种强
《Graph-MLP Node Classification without Message Passing in Graph》阅读笔记
LW的技术小筑
07-24 1317
Overview ​ 传统GNN的相关工作都强调信息传递（message passing）的重要性，但是作者提出这不是必要的。为此作者设计了一种基于多层感知机的框架——Graph-MLP，该框架在前向传播的过程中并不涉及信息的传递，而是在计算Loss时隐式的引入邻接信息来弥补CNN和MLPs之间的差距。实验结果表明作者提出的框架相对于GNN而言具有更快的运算效率，同时在缺失边的推断场景下更具有鲁棒性（因为推断过程中不需要提供结点之间的邻接信息）。 ​ 作者在文中所作的贡献可以概括如下： 提出了第一个不利用
Label Contrastive Coding based Graph Neural Network for Graph Classification
小菜鸡
06-30 859
题目 **Label Contrastive Coding based Graph Neural Network for Graph Classification **作者团队 Yuxiang Ren， Jiyang Bai，Jiawei Zhang作者单位 佛罗里达州立大学论文链接 https://arxiv.org/pdf/2101.05486.pdf本文来自佛罗里达州立大学，作者使用实例间的细粒度类别信息，基于标签对比损失，设计了一种基于标签对比编码的图分类网络，实现了监督式的对比学习。之前学习的基于
论文研读：Label Contrastive Coding based Graph NeuralNetwork for Graph Classification
yihanyifan的博客
07-06 805
图对比学习
gnn python 包_关于图神经网络（GNN）的必读文章
weixin_35880151的博客
01-26 825
Bayesian Semi-supervised Learning with Graph Gaussian Processes. NeurIPS 2018. paperYin Cheng Ng, Nicolò Colombo, Ricardo Silva.Adaptive Graph Convolutional Neural Networks. AAAI 2018. paperRuoyu Li, ...
【CS224W】(task2)传统图机器学习和特征工程
发现问题，并解决问题，批判性思维
02-08 1335
除了想获得训练数据中节点or边or图特征数据，还有反应节点在网络中位置、局部网络local network structure等特征。本讲不讲属性特征，只讲连接特征。
（DataWhale）图神经网络Task06：基于图神经网络的图表征学习
misite_J
07-03 712
文章目录背景Weisfeiler-Lehman Test (WL Test)Weisfeiler-Leman Test 算法实例WL Subtree Kernel：图相似性衡量图同构网络图表征学习方法简介图同构网络基本思路图同构网络的实现`GINConv`--图同构卷积层`BondEncoder`与`AtomEncoder`基于图同构网络的节点嵌入模块（GINNodeEmbedding Module）基于图同构网络的图表征模块（GINGraphRepr Module）参考 背景 Weisfeiler-Leh
学习笔记：DEMO-成品网页1
ZixiangLi的博客
11-22 708
具体代码见: http://download.csdn.net/my
图神经网络GNN论文2019-2020顶会列表
zenRRan的博客
01-29 1380
点击上方，选择星标或置顶，每天给你送干货！阅读大概需要16分钟跟随小博主，每天进步一丢丢整理：专知KDD 20191、Cluster-GCN: An Efficient Algorith...
Multi-Channel Graph Neural Network for Entity Alignment
Hello_word5的博客
02-10 2247
原文地址：https://arxiv.org/pdf/1908.09898v1.pdf 0摘要 实体对齐往往受结构异质性及有限的种子对的约束。本文提出多通道图神经网络MUGNN来学习面向对齐的知识图谱嵌入，通过多个通道鲁棒地编码两个知识图谱。每个通道通过不同的关系权重模式来编码KG，以同时完成两个任务：基于自注意力的KG补全和跨语言注意力的实体修剪。另外，还在两个KG中进行规则知识的推理和转移...
CIKM 2019 Meta-GNN: On Few-shot Node Classification in Graph Meta-learning
qq_40926715的博客
03-24 1685
GNN 小样本 阶段train
KDD 2022 | GraphMAE：生成式图自监督学习超越对比学习
Paper weekly
07-11 4131
©作者 | 张欣单位 | 香港理工大学研究方向 | 图神经网络、自监督学习论文标题：GraphMAE: Self-Supervised Masked Graph Autoencoders论文作者：Zhenyu Hou, Xiao Liu, Yukuo Cen, Yuxiao Dong, Hongxia Yang, Chunjie Wang, Jie Tang收录会议：KD...
Boosting a Genetic Algorithm with Graph Neural Networks for Multi-Hop Influence Maximization in Social Networks
最新发布
02-27
### 使用图神经网络增强遗传算法以实现社交网络中的多跳影响力最大化 #### 图神经网络在社交网络分析中的应用 图神经网络（GNNs）能够有效捕捉节点之间的复杂关系，在处理具有高度连接性的数据结构方面表现出色。对于社交网络传播模型而言，通过学习节点特征表示可以更好地理解个体间的互动模式以及信息扩散路径[^1]。 #### 遗传算法优化过程概述 遗传算法是一种基于自然选择原理设计出来的全局搜索方法，适用于解决组合优化问题。其核心在于模拟生物进化过程中基因传递机制来寻找最优解集。当应用于社交网络环境下的影响范围扩大化场景时，则需考虑如何定义适应度函数以便评估候选种子集合的好坏程度。 #### 结合两者优势的方法论探讨 为了提升传统GA求解效率并改善最终结果质量，可引入GNN作为辅助工具参与整个计算流程： - **初始化种群阶段**：利用预训练好的GNN模型预测各节点成为活跃传播者的潜在可能性得分；依据此概率分布随机采样生成初始染色体； - **交叉变异操作期间**：借助于已构建的社会关系子图谱指导新个体创造方向——即优先保留那些高影响力的局部区域内的成员构成下一代样本空间； - **评价体系重构环节**：除了常规考量被激活用户的数量外，还应加入由GNN推断得出的预期后续波及效应因子共同决定单条记录对应的适配值大小。 ```python import torch from torch_geometric.nn import GCNConv import numpy as np class GNNEnhancedGeneticAlgorithm(): def __init__(self, data, population_size=100, generations=50): self.data = data self.population_size = population_size self.generations = generations # Initialize the GNN model for node importance prediction num_features = data.num_node_features hidden_channels = 16 self.model = GCNModel(num_features, hidden_channels) def initialize_population(self): predictions = self.predict_importance_scores() initial_population = [] while len(initial_population) < self.population_size: chromosome = select_nodes_based_on_probabilities(predictions) if validate_chromosome(chromosome): # Ensure no duplicates or invalid selections initial_population.append(chromosome) return initial_population def predict_importance_scores(self): with torch.no_grad(): out = self.model(self.data.x, self.data.edge_index).softmax(dim=-1) scores = out[:, 1].cpu().numpy() # Assuming binary classification where class '1' indicates higher influence normalized_scores = (scores - min(scores)) / (max(scores) - min(scores)) return normalized_scores def main(): dataset = load_social_network_data() ga_instance = GNNEnhancedGeneticAlgorithm(dataset) best_solution = run_genetic_algorithm(ga_instance) evaluate_and_report_results(best_solution) if __name__ == "__main__": main() ``` 上述代码片段展示了如何创建一个融合了GCN特性的改进版遗传算法框架用于探索最佳的影响者群体配置方案。值得注意的是实际应用场景可能涉及更多细节调整和技术选型工作，这里仅提供了一个简化版本供参考[^2]。
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