图神经网络在线研讨会2020 Part1 宋国杰

最新推荐文章于 2024-10-24 11:31:08 发布
最新推荐文章于 2024-10-24 11:31:08 发布
阅读量441 收藏 2
点赞数
分类专栏： # 图神经网络 文章标签： 神经网络
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/qq_28404829/article/details/105978313
版权
探讨了图神经网络(GNN)在处理网络空间计算复杂性方面的应用，包括网络表示学习、网络嵌入、图卷积网络(GCN)等关键技术。介绍了谱方法和空间方法，并分享了近期工作及未来展望。

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

图神经网络在线研讨会2020 Part1

Background

Network Analytics

在这里插入图片描述

It’s very hard!

在这里插入图片描述

Optional Solution

在这里插入图片描述
针对网络空间计算的复杂性，把网络空间的点投射到向量空间。

Network Representation Learning

在这里插入图片描述

Network Embedding

在这里插入图片描述
节点之间相似度度量。

在这里插入图片描述
在这里插入图片描述

Graph Neural Network

在这里插入图片描述
对于图像和声音具有平移不变性，适合做卷积，但对于网络周围邻节点在不断的变化。

GCN

在这里插入图片描述
GCN核心如何比较好的表示周围邻居节点的信息。
#　Spectral 谱方法
在这里插入图片描述

Spatial 空间方法

在这里插入图片描述
在这里插入图片描述

Our Recent Works

在这里插入图片描述

About Future

在这里插入图片描述

深度学习实战72-图神经网络(GNN)与相关算法在线上教育领域中实际应用
微学AI的博客
03-25 345
大家好，我是微学AI，今天给大家介绍一下深度学习实战72-图神经网络(GNN)与相关算法在线上教育领域中实际应用。本文我们将探讨图神经网络（GNN）在职业教育领域的应用，首先明确GNN研究的背景和意义，指出其在处理复杂知识体系、学习者兴趣和课程资源方面的优势。并分析了线上教育推荐算法的研究现状，包括基于内容的推荐、协同过滤和混合推荐算法，以及图神经网络在这一领域的应用现状。
图神经网络（GNN）【WSDM 2020】.zip
11-19
数据挖掘领域的国际会议WSDM将于2020年2月3日-2月7日在美国休斯敦召开，WSDM 2020全称为第13届国际互联网搜索与数据挖掘会议（The 13th International Conference on Web Search and Data Mining, WSDM 2020）。WSDM是CCF推荐的B类国际学术会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉。这次会议共收到来自615篇长文投稿，仅有91篇长文被录用，录用率约15%。
图神经网络研讨会（空间方法图卷积-GraphSAGE-NeuraIPS 2017）
qq_43390809的博客
07-24 603
沈华伟老师（中科院） Spatial methods for graph convolutional neural networks 邮件：shenhuawei@ict.ac.c 微博: 沈华伟_ICT 1.GraphSAGE W. L. Hamilton, R. Ying, J. Leskovec. Inductive Representation Learning on Large Graphs. NeuraIPS 2017 原理 GraphSAGE是一种能够利用顶点的属性信息高效产生未知顶点embed
顶级图神经网络会议
fVector的博客
11-12 2249
§ KDD § ICLR § ICML § NeurIPS § WWW § WSDM 搜索建议：Tips: Narrow down relevant papers by searching titles (e.g., containing “graph”).
计算未来轻沙龙 | 当深度学习遇上归纳推理，图神经网络有多强大？
Paper weekly
11-28 1011
????现在，在「知乎」也能找到我们了进入知乎首页搜索「PaperWeekly」点击「关注」订阅我们的专栏吧关于PaperWeeklyPaperWeekly 是一个推荐、解读、...
2021世界人工智能大会AI Debate：图神经网络是否是实现认知智能的关键？
人工智能学家
07-14 983
来源：学术头条2021年7月10日，WAIC（2021世界人工智能大会）“图神经网络与认知智能前沿技术论坛”在上海世博中心成功举办。清华大学计算机科学与技术系教授李涓子，复旦大学计算机科学...
网络研讨会视频对话矢量图
07-25
"网络研讨会视频对话矢量图"这一主题，结合其描述和标签，我们可以深入探讨与之相关的多个IT知识点。 首先，让我们关注“矢量图”这个概念。矢量图是基于数学几何对象（如线条、曲线和形状）来构建的图像。与像素图...
2020 STM32 全国研讨会PPT集合.zip
09-16
自2007年以来，STM32全国研讨会已成为工程师洞悉嵌入式领域最新产品和人工智能物联网技术趋势的年度盛会。 1、与STM32MP1一起尽享无限可能 2、STM32+生态系统及市场策略 3、STM32+GUI+体验你的智能世界 4、STM32为...
网络表示学习_北京大学_2018SMP全国社会媒体处理大会
08-23
该文档是2018SMP全国社会媒体处理大会(哈尔冰)北京大学宋国杰老师的讲义网络表示学习，欢迎大学下载学习。
图神经网络GNN研究进展：表达性、预训练、OGB（附71页ppt）
04-24
图神经网络依然是研究焦点之一。最近在WWW2020的DL4G@WWW2020论坛，斯坦福大学Jure Leskovec副教授介绍了图神经网络研究最新进展，包括GNN表现力、预训练和公开图神经网络基准等。值得关注。
【论文泛读139】GraphConfRec：基于图神经网络的会议推荐系统
scu-liu的博客
06-24 333
贴一下汇总贴：论文阅读记录 论文链接：《GraphConfRec: A Graph Neural Network-Based Conference Recommender System》 一、摘要 在当今的学术出版模式中，尤其是在计算机科学领域，会议通常构成了发布各自领域最新同行评议进展的主要平台。然而，选择一个合适的学术场所来发表自己的研究成果可能是一项具有挑战性的任务，因为有大量可用的会议，特别是对于那些处于学术生涯初期的人，或者对于那些寻求在其通常领域之外发表的人来说。在本文中，我们提出了 Graph
北大计算机宋国杰,微软亚洲研究院首席研究员刘铁岩博士一行访问北京大学
weixin_39978749的博客
07-20 568
应北大-微软联合实验室之邀,刘铁岩博士首先向200多位北大师生了题为《超大规模机器学习》的报告。刘博士首先简述了已有的分布式机器学习系统,并讨论它们在训练超大规模模型时遇到的困难。接着,刘博士提出为了克服这些困难,微软亚洲研究院人工智能研究组提出了要在机器学习算法和分布式系统两个方面进行创新:他以LDA主题模型和词向量模型的学习过程为例,介绍如何通过精巧的算法改进提高单机版算法的吞吐量和学习效率;...
论文阅读 (94)：Substructure Aware Graph Neural Networks (SAGNN, AAAI2023)
因吉的博客
07-04 2213
尽管图神经网络 (GNN) 在图学习方面取得了巨大成就，但由于GNN的传播范式与一阶Weisfeiler-Leman图同构测试算法 (1-WL) 的一致性，导致其难以突破1-WL表达能力的上限。
图神经网络再次火爆！25个顶会方案，助你快速搞定创新点！
最新发布
10-24 1234
图神经网络（GNNs）因其出色的建模和分析能力，在社交网络分析、推荐系统、知识图谱、文本分析等多个领域展现出广泛的应用潜力，已经成为人工智能研究的热点之一。在今年的顶级学术会议上，GNN相关的论文数量众多，再次印证了其研究的热度。对于有志于发表学术论文的学者来说，现在正是投身这一领域的绝佳时机。为了帮助大家迅速捕捉研究灵感，我特别整理了近两年内图神经网络领域的25篇顶级会议优秀论文，这些论文覆盖了可解释性、图变换器（Graph Transformer）、图结构学习等当前的热门研究主题。
图神经网络（GNN）模型原理及应用综述
热门推荐
Running Snail
04-16 12万+
从数据结构到算法：图网络方法初探 论文《Graph Neural Networks: A Review of Methods and Applications》 木牛马论文阅读笔记https://www.cnblogs.com/ydcode/p/11050417.html https://zhuanlan.zhihu.com/p/102994627?utm_source=wechat_session 文章目录图神经网络（Graph Neural Networks，GNN）1. GNN起源1.1 动..
图神经网络
a_b_c_007的博客
04-07 6465
许多学习任务都需要处理包含元素间丰富关系信息的图形数据。物理系统建模、分子指纹学习、蛋白质界面预测和疾病分类需要一个模型从图形输入中学习。在其他领域，如从文本和图像等非结构数据学习，对提取的结构（如句子的依赖树和图像的场景图）进行推理是一个重要的研究课题，也需要图形推理模型。图神经网络（GNN）是通过图节点之间的消息传递来捕获图的依赖性的神经模型。近年来，图形卷积网络（GCN）、图形注意网络（GAT）、图形递归网络（GRN）等GNN变体在许多深度学习任务中表现出开创性的性能。
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