Milkha的博客

???? 文章目录1 前言2 Over Suqashing4 总结Reference 论文地址：https://openreview.net/pdf?id=i80OPhOCVH2 源码：bottleneck 来源：ICLR, 2021 关键词：GNN, Over-Squashing 1 前言 该论文针对GNN中的远距离信息的传播问题提出了一个新的解释。文中讨论的问题是：GNN在聚集/利用远距离结点的信息时存在困难/一个瓶颈。论文针对这个问题进行了讨论和分析，并通过一些例子验证了这个问题。 2 Over

???? 文章目录1 前言2 问题定义3 Correct and Smooth3.1 Simple Base Predictor3.2 Smoothing final prediction with Prediction Correlation4 总结 论文地址：https://arxiv.org/pdf/2010.13993.pdf 源码：CorrectAndSmooth 来源：ICLR, 2021 关键词：Label Propagation, Transductive node classificat

???? 文章目录1 前言2 问题定义3 DeepGCN3.1 Residual Learning for GCNs3.2 Dense Connections in GCNs3.3 Dilated Aggregation inn GCNs4. 总结 论文地址：https://arxiv.org/pdf/1904.03751.pdf 源码：deep_gcns_torch 来源：ICCV, 2019 关键词：GCNPoint Cloud Segmentation, Point Cloud Segmentati

文章目录1 前言2 问题定义3 DySAT思路3.1 Skeleton Graph Construction3.2 Spatial Graph Convolutional Neural Network4 方法的优势与局限性4.1 优势4.2 局限性 论文地址：https://arxiv.org/pdf/1801.07455.pdf 源码：st-gcn 来源：AAAI, 2018 关键词：Action Recogonition, GCN 1 前言 该论文针对人体动作识别问题提出了解决方案。以Skelet

文章目录1 前言2 问题定义3 思路3.1 Semi-Supervised Contrastive Learning}3.2 Graph Generative Loss3.3 Model Training4 方法的优势与局限性4.1 优势4.2 局限性 论文地址：https://arxiv.org/pdf/2009.07111.pdf 来源：AAAI, 2021 关键词：semi-supervised learning, GCN, Contrastive Learning, GCN 1 前言 该论文主要

文章目录1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性 论文地址：https://arxiv.org/pdf/1902.10191 来源：AAAI, 2020 源码地址：EvolveGCN 关键词：Dynamic Graphs, GCN 1 前言 该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的表征通过RNN来学习不断进化的graph，这种方法在学习表征时需要知道结点在所有时间区间上的变化（相当于是transductiv

文章目录1. 前言2. GG-NN3. GGS-NNReferences 论文地址：https://arxiv.org/abs/1511.05493 源码地址：ggnn slides：ggnn-talk 关键词：RNN, Graph Sequential tasks 1. 前言 这篇论文提出了一种基于GRU1的GNN，能够进行输出单个值的任务（如结点分类、图分类等），也能完成序列输出的任务（如最短路、欧拉环等）。论文中使用bAbI2（bAbI是Facebook AI推出的文本理解/推理任务生成器）任务和

文章目录1. 前言2. GNNs的区分能力2.1 MEAN Learns Distributions2.2 MAX Identity "Skeleton"References 论文地址：https://arxiv.org/abs/1810.00826 源码地址：powerful-gnns 关键词：GNN, WL graph isomorphism test, GCN 1. 前言 论文对以往的GNN模型的表现能力（区分能力）进行了理论上的分析，主要针对不同aggregation 的特点进行了分析，并针对以

文章目录1. 前言2. GNNs分类2.1 RecGNNs2.2 ConvGNNs2.3 GAEs2.4 STGNNs3. GNNs应用3.1 Computer Vision3.2 Natural Language Processing3.3 Traffic3.4 Recommender system3.5 Chemistry3.6 Others4. GNNs模型评估5. 常用数据集6. 未来发展方向6.1 Model Depth6.2 Scalability trade-off6.3 Hetergenit

文章目录1. 前言2. 问题定义3. DGP 思路4. 实现细节4.1 Deep Graph Random Process}4.2 Coupling of Innumerable Percept Graphs}4.3 Inference and Sampling of Edges of Summary Graph}4.4 Learning5. 方法解决的问题/优势6. 方法的局限性/未来方向Reference 论文地址：https://smcnus.comp.nus.edu.sg/wp-content/u