图神经网络

最新推荐文章于 2024-12-02 08:33:24 发布
原创 最新推荐文章于 2024-12-02 08:33:24 发布 · 161 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
盼小辉丶的博客
01-02 13万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 1万+
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
神经网络的原理和应用,神经网络理论及应用
神经网络爱好者
08-05 1951
我想这可能是你想要的神经网络吧！什么是神经网络：人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionModel），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。...
图嵌入综述 (arxiv 1709.07604) 译文 4.1 ~ 4.2
热门推荐
龙哥盟
09-19 4万+
四、图嵌入技术 在本节中，我们基于所使用的技术对图嵌入方法进行分类。 通常，图嵌入旨在在低维空间中表示图，保留尽可能多的图属性信息。 不同图嵌入算法之间的区别在于，它们如何定义要保留的图属性。 不同的算法对节点（边、子结构、整图）的相似性，以及如何在嵌入空间中保留它们，有不同的见解。 接下来，我们将介绍每种图嵌入技术的见解，以及它们如何量化图属性并解决图嵌入问题。 矩阵分解 基于矩阵分解的图嵌入，...
图神经网络 | BrainGNN: 用于功能磁共振成像分析的可解释性脑图神经网络
脑机接口社区
02-01 5760
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达图神经网络简介GNN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。近...
GCN鼻祖paper笔记
w55100的博客
11-19 1495
https://arxiv.org/pdf/1609.02907.pdf GCN，论文首发于2016，被ICLR2017接收。 采用的核心原理还是谱方法的卷积，spectral convolution。 结合了一项重要工作，利用切比雪夫多项式对谱卷积的计算复杂度进行化简。 化简部分我写在了这里《图上的卷积》 回顾谱卷积定义式。 gθ⋆x=UgθUTx≈∑i=0K−1[θkTk(L^)]xg_{\theta}\star x =Ug_{\theta}U^{T}x \approx\sum_{i=0}^{K.
图神经网络实战（19）——异构图神经网络
盼小辉丶的博客
08-26 7526
异构图由不同类型的节点和边组成，可以表示实体之间的各种关系，这比单一类型的连接具有更高的表达能力。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用于异构图。首先，我们将创建自定义异构数据集。然后，将同构架构转化为异构架构。
图神经网络实战（20）——时空图神经网络
盼小辉丶的博客
11-11 6739
本节介绍了具有时空信息的图数据。这种时空成分在许多应用中都很有帮助，主要与时间序列预测有关。我们介绍了两种符合这种定义的图：静态图(特征随时间变化)和动态图(特征和拓扑结构会发生变化)。PyTorch Geometric Temporal 是 PyTorch Geometric 的扩展，专门用于处理时空图神经网络。此外，我们实现了 EvolveGCN 架构，该架构使用 GRU 或 LSTM 网络更新 GCN 参数。应用此架构执行 Web 流量预测，并且在有限的数据集上取得了出色的结果。
图神经网络实战（21）——图神经网络的可解释性
盼小辉丶的博客
12-02 5569
在本节中，我们探讨了应用于图神经网络 (Graph Neural Networks, GNN) 的可解释性人工智能 (Explainable Artificial Intelligence, XAI) 技术。可解释性是许多领域的关键要素，可以帮助我们建立更好的模型。我们介绍了不同的局部解释技术，并重点讨论了 GNNExplainer (基于扰动的方法)，在图分类任务中应用 GNNExplainer。
快速了解GCN（图卷积神经网络）
u011537121的博客
08-09 4万+
如何理解 Graph Convolutional Network（GCN）？ https://www.zhihu.com/question/54504471 推荐初学者可以先从知乎的这个问题出发，点赞最多的《从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）》 该篇文章非常详细且能够帮助初学者理解的讲述了GCN的大部分理论过程。再补充以后面几人回答的知识，便可以说对GCN有...
有关深度学习/神经网络/脑科学的一点想法
kawhi849
09-26 633
个人认为，当未来计算能力达到一定水平后，神经网络达到非常深的深度时，是否存在一种可能，使极深的网络可以同时完成多任务，结合当前存在的各种技术，完成视觉、听觉、嗅觉甚至触觉的感知、大脑内部的思考（计算、推理、知识），以达到真正模拟人脑的程度？ 仅作一个想(xia)法(che)hhhhhhhh^ _ ^...
ICLR 2017 | 使用卷积图网络的半监督分类方法
a609640147的博客
04-30 1688
本文《Semi-Supervised Classification with Graph Convolutional Networks》受到卷积神经网络的启发,提出了卷积神经网络的变种方法,可以直接在图结构的数据上直接进行计算. 模型的计算复杂度与图结构边(edges)的数量呈线性增长. 隐层节点的参数权重可以用来表达子图(local graph)的特征或是节点(nodes)的特征. 论文地址...
《Semi-supervised classification with graph convolutional networks》 论文浅读
qq_32220889的博客
07-25 849
1、论文简介 论文：《Semi-supervised classification with graph convolutional networks》。 作者：Thomas N. Kipf，Max Welling。 版本：Submitted on 9 Sep 2016 (v1), last revised 22 Feb 2017 (this version, v4)...
Lua非空判断方法[源码]
11-24
本文详细介绍了在Lua中进行非空判断的几种方法，特别是针对table类型的变量。首先，文章指出了直接对nil值进行索引会导致异常的问题，并给出了一个简单的例子来说明如何避免这种情况。接着，文章讨论了如何判断一个table是否为空，指出不能简单地使用`#table == 0`的方式，而是应该使用`next(t) == nil`的方法。此外，文章还提到了`next`指令在LuaJIT中的优化问题，建议在非必要情况下少用。最后，文章简要介绍了如何判断一个字符串是否全部由空格组成，使用了正则匹配的方法。这些内容对于Lua开发者来说非常实用，能够帮助他们避免常见的错误。
JS表格转Excel实现[可运行源码]
11-24
该文章详细介绍了如何使用JavaScript将HTML表格数据导出为Excel文件。内容涵盖了针对不同浏览器的兼容性处理，包括IE和非IE浏览器的不同实现方式。对于IE浏览器，使用ActiveXObject进行导出；对于非IE浏览器，则通过base64编码和数据URI方案实现。文章还提供了完整的代码示例，包括表格数据的处理、格式化和导出功能，支持文本和图片类型的数据导出。
图片转bin文件存储[项目代码]
11-24
本文介绍了在OpenCV项目中如何将大量图片数据转换为二进制（bin）文件进行高效存储和读取的方法。作者在项目中遇到需要处理大量图片数据的问题，尝试了多种格式（如.mat、.txt、.yml）后发现效率较低。通过使用二进制文件存储，显著提升了读写速度。文章详细展示了使用OpenCV将图片写入二进制文件的代码示例，以及从二进制文件读取图片数据的实现方法。虽然该方法需要提前知道图片的尺寸和数量，但读写速度极快，适合处理大量图片数据。作者还提到可以通过换行符或终止符优化读取过程，但未深入探讨。
ROS视觉处理与色彩识别[项目源码]
最新发布
11-24
本文详细介绍了在ROS环境下进行视觉处理的基础步骤，特别是针对色彩识别的实现方法。内容涵盖了从摄像头驱动的安装与配置（如usb_cam驱动和image_view工具的使用），到创建功能包和编写图像处理节点（包括RGB图像回调函数、HSV色彩空间转换、二值化处理及形态学操作）。此外，还演示了如何在仿真环境中获取图像，并通过OpenCV实现红色和绿色物体的识别与追踪。最后，文章提供了完整的代码示例和编译运行步骤，帮助读者快速上手ROS视觉处理项目。
Anaconda安装与使用指南[项目源码]
11-24
本文详细介绍了在Anaconda环境下安装和使用jupyter及numpy的步骤。首先，指导用户如何安装Anaconda并创建虚拟环境，然后详细说明了如何在虚拟环境中安装jupyter和numpy。接着，文章提供了多个numpy的练习示例，包括创建零向量、矩阵操作、归一化等。此外，还介绍了如何在Jupyter中完成numpy、pandas和matplotlib的例题，涵盖了从基础操作到实际应用的多个方面。最后，文章总结了实验过程中的经验，特别是在使用国内镜像源后下载速度的提升。
图神经网络的全面调查
"这篇文章是关于图神经网络的全面调查，主要探讨了深度学习在处理非欧几里得数据，如复杂关系和对象间相互依赖的图数据时所面临的挑战，以及近年来图神经网络（GNN）的发展。文章提出了一个新的分类体系，将当前的...
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