会议笔记（六）：图神经网络模型

最新推荐文章于 2024-09-10 13:51:51 发布
最新推荐文章于 2024-09-10 13:51:51 发布
阅读量576 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 读文章笔记与会议学习笔记 图神经网络入门(打卡营学习笔记-已完结)
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_37486501/article/details/113357279
本文介绍了图神经网络GNN的发展历程，并深入探讨了从空域角度的GraphSAGE、GAT模型以及MPNN框架。在频域方面，讨论了拉普拉斯矩阵的谱分解、图傅里叶变换和频域下的图卷积，揭示了空间域与频域图卷积的等价性。

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

会议学习笔记（六）：《深入浅出GCN、GAT、GraphSage，MPNN等图神经网络模型》

1. 图神经网络GNN的发展历程

在这里插入图片描述

2. 从空域(Spatial domain)角度构建的图卷积模型

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

了解本专栏 订阅专栏 解锁全文
GNN-图卷积模型-2017：MPNN（消息传递神经网络）【消息传递（前向传播）：聚合函数(消息传递)+更新函数(状态更新)】【图卷积模型统一框架】
u013250861的博客
08-15 1875
从设计理念上看，空域卷积与深度学习中的卷积的应用方式类似，其核心在于聚合邻居结点的信息。比如说，一种最简单的无参卷积方式可以是：将所有直连邻居结点的隐藏状态加和，来更新当前结点的隐藏状态。这里非参式的卷积只是为了举一个简单易懂的例子，实际上图卷积在建模时需要的都是带参数、可学习的卷积核。消息传递网络(MPNN)是由Google科学家提出的一种模型。严格意义上讲，MPNN不是一种具体的模型，而是一种空域卷积的形式化框架。消息传递与状态更新操作，分别由Ml⋅Ml​⋅和Ul⋅Ul。
会议笔记（四）：图卷积神经网络
Wangzx的博客
01-23 438
图卷积神经网络图卷积的背景知识图卷积：GCN与CNN的区别：GCN知识图谱KGCN——知识图谱RGCN——相关的RGCN应用：CompRGCNHyper GCN总结 图卷积的背景知识 CNN或者RNN无法得到图的信息，目前流行的：GCN——GAT（加入了注意力机制） 图卷积： 特征矩阵：每个结点对应的特征矩阵的维数 输入：邻接矩阵、特征矩阵 输出：特征矩阵 GCN与CNN的区别： GCN：CNN加了图 GCN 归一化：防止影响模型收敛。使得对角线是有值的。对每行取一个最大值 知识图谱 KGCN
[会议笔记] [2020] 北京智源大会图神经网络专题论坛
Alexzhuan
06-23 1081
今天下午听了北京智源大会图神经网络专题论坛，几个老师的分享都很精彩，收货颇丰。 唐建老师（来自Mila，Bengio创立的）分享的题目是《基于感知和认知系统的逻辑关系推理》，主要讲的是他们团队在ICML2019上的一篇工作《GMNN: Graph Markov Neural Networks》。 在推理里上两个system，system one 即基于感知的，它的特点是快速，直观（比如CNN模型预测一张图片是猫是狗）；而system two 即基于认知的，它需要逻辑的推理，是复杂的、慢的（比如knowleg
顶级图神经网络会议
fVector的博客
11-12 2266
§ KDD § ICLR § ICML § NeurIPS § WWW § WSDM 搜索建议：Tips: Narrow down relevant papers by searching titles (e.g., containing “graph”).
Graph-based Deep Learning资源汇总 - 图神经网络相关会议论文及综述
m0_75126181的博客
09-10 832
图神经网络(Graph Neural Networks, GNN)是近年来深度学习领域的一个重要研究方向。本文整理了GNN领域的重要资源,包括顶会论文、综述文章、开源工具等,希望能为相关研究者提供参考。通过本文整理的资源,希望能为GNN领域的研究者提供全面的参考。随着GNN的快速发展,我们也会持续更新相关资源。这些综述可以帮助研究者快速了解GNN的发展脉络和研究前沿。这些论文奠定了GNN的基础,是入门必读的文献。这些资源可以系统地学习GNN的基础知识。这些会议的GNN相关论文可以在。项目中找到详细整理。
【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
06-24 339
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
图形神经网络GNN学习笔记_ GNN_Learning.zip
最新发布
10-03
- 动态图神经网络：针对随时间动态变化的图结构设计的模型。 在学习笔记的整理过程中，很可能会包括上述概念的详细解释、数学原理、相关算法的伪代码实现以及实际案例分析。此外，还可能涵盖GNN在实际问题中的应用...
GNN学习笔记（四）：图注意力神经网络（GAT）节点分类任务实现
LuoMin2523的博客
06-23 5807
目录 0 引言 1、Cora数据集 2、citeseer数据集 3、Pubmed数据集 4、DBLP数据集 5、Tox21 数据集 6、代码 嘚嘚嘚，唠叨小主，闪亮登场，哈哈，过时了过时了，闪亮登场换成大驾光临，哈哈，这样才颇有气势，哼哼... （唠叨小主哼哼了两声，对新改的词表示满意，微拉裙侧，留下了高跟鞋的声音...） 0 引言 近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图
【ICLR 2018图神经网络论文解读】Graph Attention Networks (GAT) 图注意力模型
捡起一束光的博客
11-06 5881
与GCN类似，GAT同样是一种局部网络。因此，训练GAT模型无需了解整个图结构，只需知道每个节点的邻节点即可。
人工智能、神经网络、深度学习重要会议
思过留痕
02-03 1634
 NIPS，神经信息处理系统  ICML，国际机器学习大会  ICLR，International Conference on Learning Representations  ICASSP，国际声学、诧音不信号处理会议  IJCNN，International Joint Conference on Neural Networks  IJCAI，I
MPNN 模型：GNN 传递规则的实现
qq_38480311的博客
10-15 490
首先，假如我们定义一个极简的传递规则A是邻接矩阵，X是特征矩阵， 其物理意义就是 通过矩阵乘法操作，批量把图中的相邻节点汇聚到当前节点。但是由于A的对角线都是 0.因此自身的节点特征会被过滤掉。图神经网络的核心是 吸周围之精华，再叠加自身，因而需要改进来保留自身特征。如何做？方法是给每个节点添加一个自环，即将邻接矩阵对角线值各加1，此时用表示，做到了聚合邻居节点并保留自身信息。但是当图过于复杂时，聚合邻居信息会不断执行矩阵乘法或加法，可能导致特征值太大而溢出。如何做？方法是邻接矩阵归一化。
MPNN
weixin_44251938的博客
03-26 2541
MPNN基本原理机制理论消息传递阶段读取阶段例子A矩阵传播模型输出模型 基本原理 主要由邻居聚合和消息传递构成，用Xi(k-1)表示节点i在k-1层的节点特征，ej，i表示从节点j到节点i的边特征，消息传递图神经网络可以描述为： 方框表示一种可微的排列不变的函数。例如：求和，求均值，取最大值等。ϕ表示可微函数，例如MLPs（多层感知机）。 机制 理论 MPNN的前向传播包括两个阶段，第一个阶段称为message passing（信息传递）阶段，第二个阶段称为readout（读取）阶段。定义一张图G = (
【机器学习】消息传递神经网络(MPNN)在分子预测领域的医学应用
MUKAMO的博客
06-09 3261
实验结果显示，MPNN在分子图处理上表现优异。模型能够准确捕获分子中原子间的复杂关系，实现高精度分类和性质预测。通过消息传递和节点更新机制，MPNN学习到了包含丰富上下文信息的特征表示。调整模型参数和架构能进一步提升性能，但需注意避免过拟合。可视化结果验证了模型的有效性，并提供了直观理解。未来，MPNN有望在优化算法和结合新技术下，应对更大规模分子图的挑战，展现更广阔的应用前景。
图神经网络通用框架 —— MPNN消息传递神经网络
优快云 精品推荐
11-09 2976
大家好，我是阿光。本专栏整理了《图神经网络》，内包含了不同图神经网络的原理以及相关代码实现，详细讲解图神经网络，理论与实践相结合，如GCN、GraphSAGE、GAT等经典图网络，每一个代码实例都附带有完整的代码+数据集。正在更新中~ ✨。
神经信息传递法(MPNN)—预测分子和材料特性
Shiraka的博客
01-27 7009
神经信息传递法（MPNN）—预测分子和材料特性 前言 基于图神经网络（GNN）的方法在模拟复杂相互作用方面具有巨大的潜力，被广泛应用于分子量子力学性质以及材料预测的预测。目前为止，传统的机器学习模型普遍应用于预测分子性质，与GNN不同，ML模型需要先对分子特征进行操作，尽管这些分子特征是各种分子性质的良好预测指标，不过基于网络训练的模型，效果可能会更好。 1.消息传递神经网络（MPNN） ​ 近年来，随着量子化学计算和分子动力学模拟等实验展开了巨大的数据量，图神经网络能够应用于分子模型（原子系统的对称性
用PyG (PyTorch Geometric) 中的MPNN和RDkit构建模型，并预测NCI1中smile分子的致癌性（二分类问题）
gghhaagg的博客
04-29 1736
用PyG (PyTorch Geometric) 中的MPNN和RDkit构建模型，并预测NCI1中smile分子的致癌性（二分类问题）
GRAPH ATTENTION NETWORKS图注意力网络（深入浅出图神经网络）
ysh的博客
09-17 501
GRAPH ATTENTION NETWORKS
GraphSAGE 模型解读与tensorflow2.0代码实现
VariableX的博客
11-23 2159
上一篇文章，我们讲了图神经网络：图卷积神经网络(GCN)理解与tensorflow2.0代码实现，也提到GCN的缺点：GCN属于直推式学习(Transductive Learning)，它在固定的图上学习每个节点的embedding表示，不能泛化到未加入到图中的节点，一旦图的结构发生改变，就需要重新训练整个网络。 本文提到的 GraphSAGE 属于归纳学习(Inductive Learning)，核心是学习聚合邻居节点信息的函数（聚合函数），然后利用聚合函数来得到一个节点的表示。即使图中加入了新的节点，建
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

打赏作者

Laura_Wangzx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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