图神经网络(GNN)
关注
分享
扫一扫
文章平均质量分 96
图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
Akatsuky.
SEU→HKUST
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
DGCRN 模型网络模型详解 / DGCRN模型项目代码详解 (3) —— net.py
动态图卷积循环网络DGCRN是一个在seq2seq架构下，以循环神经网络RNN为框架的时空预测模型。模型中使用图卷积GCN来获取空间相关性，使用RNN来获取时间相关性，以此实现交通路网的时空特征学习与预测。本文以代码的视角实现了论文公式与代码的一一对应，同时以通俗易懂的语言与示例帮助读者理解项目代码，适合初学者学习。原创 2024-12-17 12:04:23 · 1638 阅读 · 0 评论 -
DGCRN模型项目代码详解 (2) —— layer.py
动态图卷积循环网络DGCRN是一个在seq2seq架构下，以循环神经网络RNN为框架的时空预测模型。本文重点讲解了DGCRN开源项目中layer.py文件中函数与类的实现方法，实现代码与论文公式的一一对应，适合初学者学习。原创 2024-12-12 18:08:25 · 1156 阅读 · 0 评论 -
DGCRN模型项目代码详解 (1) —— util.py
动态图卷积循环网络DGCRN是一个在seq2seq架构下，以循环神经网络RNN为框架的时空预测模型。本文重点讲解了DGCRN开源项目中uitl.py文件中函数与类的实现方法，适合初学者学习。原创 2024-12-12 16:27:59 · 1218 阅读 · 0 评论 -
DGCRN模型数学原理及运算过程详解
动态图卷积循环网络DGCRN是一个在seq2seq架构下，以循环神经网络RNN为框架的时空预测模型。模型中使用图卷积GCN来获取空间相关性，使用RNN来获取时间相关性，以此实现交通路网的时空特征学习与预测。本文细致的解释了论文中公式的用法以及部分方法的数学原理实现，适合初学者学习。原创 2024-12-10 21:30:46 · 2301 阅读 · 0 评论 -
GAT模型数学原理与代码详解（pytorch）
本文详细阐述了图注意力网络(GAT)中注意力机制的实现过程，采用示意图、代码、公式结合的方式加以示例教学，适合初学者学习。同时本文就GCN于GAT的异同进行了简短的讨论。原创 2024-11-17 14:33:18 · 1802 阅读 · 0 评论 -
STSGCN模型论文与代码详解 (pytorch)（网络模型部分）
这是一份用于STSGCN模型理解的入门教程，该模型适用于交通特征预测与其他多种图结构问题。本文详细展示并解析了pytorch版本STSGCN模型的网络模型代码，适合初学者阅读学习。原创 2024-10-20 20:23:39 · 1719 阅读 · 0 评论 -
ASTGCN模型数学原理与代码详解（网络模型部分）
这是一份用于ASTGCN模型理解的入门教程，将以代码的视角附带简单易懂的示例来阐述模型中空间与时间注意力机制的实现过程，并梳理模型框架与图神经网络的卷积运算过程。ASTGCN在时间序列预测上具有良好的性能，是研究图数据预测问题的重要基础模型，值得每一个深度学习入门玩家学习。原创 2024-09-29 00:57:37 · 4973 阅读 · 0 评论 -
GCN的基础入门及数学原理
一个入门图卷积神经网络的基础攻略，主要介绍了图卷积网络（Graph Convolutional Network，GCN）的数学原理，包括卷积的基本概念、特征值与特征向量的理解，拉普拉斯矩阵重要性质的证明以及GCN卷积的实现方法。（本文不包含pytorch代码讲解，仅仅从数学原理的角度出发阐述什么是“图卷积”）原创 2024-09-23 21:47:20 · 2850 阅读 · 0 评论