BGNN：Bilinear Graph Neural Network with Neighbor Interactions. 2020. IJCAI

最新推荐文章于 2024-08-29 08:03:16 发布
最新推荐文章于 2024-08-29 08:03:16 发布
阅读量1.1k 收藏 3
点赞数 1
文章标签： python
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_41604424/article/details/115375797
版权
BGNN模型旨在解决GNN在聚合邻居信息时忽略交互的问题。通过双线性聚合器捕获节点间交互，结合线性聚合器与超参数α平衡。尽管不适用于大规模图和批量学习，但为图神经网络带来了新视角。

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

BGNN Bilinear Graph Neural Network with Neighbor Interactions

Motivation: 目前的GNN在聚合邻居信息的时候只是简单的加权求和，这种方式忽略了邻居之间的交互信息。捕获邻居之间的交互信息有两个困难：排列无关性；线性复杂度。

Method: 为了解决上述问题，我们提出一种新的GNN，该模型使用传统的线性聚合器和提出的双线性聚合器。通过双线性聚合器捕获邻居之间的交互信息。
在这里插入图片描述
利用邻接节点的交互用于aggregate结点feature作为目标节点embedding

Bilinear：题目里的Interaction，指使用element-wise product表现，并将所有邻接节点的product进行加和

结合常用的AGG（加权求和）和BA（双线性聚合），用一个超参数α进行权衡：
H ( k ) = B G N N ( H ( k − 1 ) , A ) = (

最低0.47元/天 解锁文章
​知识图谱：基于嵌入的模型（TransE 、TransH、TransR和TransD）
sinat_41942180的博客
03-12 3439
论文提出了一种新的学习知识图谱在低维向量空间的嵌入（embedding）的方法——TransH，在克服了TransE的种种局限性（自反映射/一对多/多对一/多对多）的同时，继承了TransE的高效性。经过广泛的实验后，实验表明TransH的效果相较TransE有了很可观的提升，同时论文提出的减少错误负采样标签的Trick也被证明是有效的。但同时本论文同样存在自己的局限性，虽然TransH模型克服了TransE的部分局限性，
论文阅读：Learning Human-Object Interactions by Graph Parsing Neural Networks
Kivee的博客
09-13 3284
GPNN(ECCV2018) 文章   用来检测human-object interaction。Paper说提出GPNN的目的是为了在HOI任务中显式地对空间、时间（视频）以及human-object关系进行利用。   complete HOI指的是所有的node之间都有link，node包括human和object，假设node特征为d_V维，edge的特征为d_E维（从两个box...
论文笔记：IJCAI 2020 Bilinear Graph Neural Network with Neighbor Interactions
qq_44015059的博客
03-09 1144
前言 经典的 GCN 方法选择在当前节点的邻域节点中进行频域的卷积操作，将卷积得到后的特征表示通过 weighted sum 的形式汇聚到当前节点。作者认为这种计算方式需要基于以下条件才能有效：领域节点之间没有联系。这显然不符合真实情况，同时这种粗暴的信息聚合方式忽略了邻域节点集中可能的特征交互。作者举了一个简单的例子来说明： 可以看出两种不同的信息聚合方式所产生的结果相差巨大。 因此，本文中着重讨论了在 GNN 中建模邻域节点之间交互关系的重要性。并且提出了一种新的卷积操作加强邻域节点之间的特征交互。该
论文《Bilinear Graph Neural Network with Neighbor Interactions》阅读
xingzhe123456789000的博客
03-21 1700
论文《Bilinear Graph Neural Network with Neighbor Interactions》阅读论文概况IntroductionBilinear Graph Neural NetworkBilinear Aggregator转置不变性证明BGNN模型介绍论文总结 论文概况 作者提出了一个利用邻接节点的互动情况用于聚合（aggregate）结点feature作为目标节点embedding的图神经网络模型BGNN。这篇文章发表在IJCAI 2020上，文章是图神经网络的改进版本，实验
双线性卷积神经网络模型（Bilinear CNN)
weixin_44529634的博客
06-04 1万+
ICCV 2015 参考资料 摘要 双线性CNN模型：包含两个特征提取器，其输出经过外积相乘，池化后获得image descriptor feature fusion的方式有很多，所以在两个数据集上进行了三种方式的feature fusion结果比较。 很多广泛使用的texture representation可以被表示为两个设计合理的特征的outer product。 2018Data Fold-1 Fold-2 Fold-3 Fold-4 Fold-5 avg 外积 0.90309
BGNN 项目使用教程
gitblog_00067的博客
06-09 893
BGNN 项目使用教程 bgnn 项目地址: https://gitcode.com/gh_mirrors/bg/bgnn 1. 项目目录结构及介绍 BGNN 项目的目录结构如下： bgnn/ ├── co...
Bilinear CNN与 Randomly Wired Neural Network
weixin_30768175的博客
04-11 231
最近主要学习了两篇论文以及相关的代码。 1、Bilinear CNN 这篇论文主要是在细粒度分类上应用的，在全连接层之前，在所有的卷积计算完成之后，进行的Bilinear计算，关键的代码如下： def forward(self, X): """Forward pass of the network. Args: ...
GBDT和GNN结合，结果怎么样？
zandaoguang的博客
02-28 475
选自OpenReview作者：Sergei Ivanov等机器之心编译编辑：小舟、蛋酱GBDT 和 GNN 方法各有各的优势，现在，来自法国、俄罗斯两家机构的研究者将二者的优势结合起来，探...
图神经网络代码_基于双向图神经网络的缺陷检测工具——BGNN4VD
weixin_39797532的博客
12-17 938
➤基于双向图神经网络的缺陷检测工具——BGNN4VD工具简介BGNN4VD工具主要借助基于机器学习(深度学习)的方法，通过构造双向图神经网络来自动化地学习同类型缺陷间的共性特征，从而检测代码中可能存在的缺陷。BGNN4VD包括两个主要步骤：代码图表征和双向图神经网络学习。代码图表征主要通过构建代码的抽象语法树AST、数据流图DFG和控制流图CFG，提取代码的语法语义特征，用于后续图神经网...
推荐项目：Boosted Graph Neural Networks——融合强学习与图神经网络的突破性尝试...
最新发布
gitblog_00727的博客
08-29 790
推荐项目：Boosted Graph Neural Networks——融合强学习与图神经网络的突破性尝试 bgnn项目地址:https://gitcode.com/gh_mirrors/bg/bgnn 在人工智能的前沿领域，图神经网络（GNN）因其在处理复杂网络数据的强大能力而迅速崛起。然而，将传统的机器学习算法如梯度提升树与GNN结合，是一个相对新颖且充满潜力的方向。今天，我们要向大家推荐一...
2020 IJCAI 接受论文 list 分类排列（一）
u014546828的博客
08-23 2万+
2020 IJCAI 接受论文 list （一） 2020 IJCAI 接受论文 list （二） 2020 IJCAI 接受论文 list （三） A Deep Reinforcement Learning Approach to Concurrent Bilateral NegotiationPallavi Bagga, Nicola Paoletti, Bedour Alrayes, Kostas Stathis A Multi-Objective Approach to Mitigat.
论文《Neighbor Interaction Aware Graph Convolution Networks for Recommendation》阅读
xingzhe123456789000的博客
04-15 1603
论文《Neighbor Interaction Aware Graph Convolution Networks for Recommendation》阅读论文概况Introduction在GCN中，对于目标结点的aggregation过程中往往忽视了邻居节点的交互情况user-item二部图本质上是一个异质图（hegerogeneous graph），传统GCN中忽略了这一点传统GCN在aggregation过程中没有考虑不同层深结点embedding的组合MethodologyPairwise Neig
笔记：《Graph Convolutional Neural Networks for Predicting Drug-Target Interactions》-2019
yyy的技术日常
06-26 1万+
1. 读《Graph Convolutional Neural Networks for Predicting Drug-Target Interactions》-2019 1.1概述 文章模型的目标：靶标-配体匹配，图卷积学习有意义的蛋白质口袋的框架 提出的算法模型：用于预测蛋白质-配体相互作用的GCN。 算法性能：在常见的虚拟筛选基准数据集上获得了更好或可比的3dcnn配体评分、Autodock Vina、RF-Score和nnScore 在GCN中，每一个node对应一个残基，每一个边缘表征节点之间的
【论文笔记】BINE：二分网络嵌入
热门推荐
龙哥盟
07-08 3万+
BiNE: Bipartite Network Embedding 三、问题定义 我们首先给出本文中使用的符号，然后形式化要解决的二分网络嵌入问题。 符号：设G = (U, V, E)为二分网络，其中U和V分别表示两种顶点的集合，E ⊆ U × V定义集合间的边。 如图 2 所示，u[i]和v[j]分别表示U和V中的第i和第j个顶点，其中i = 1,2, ..., |U|和j = 1, 2, ....
Paper：《Graph Neural Networks: A Review of Methods and Applications—图神经网络:方法与应用综述》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-08 8720
Paper：《Graph Neural Networks: A Review of Methods and Applications—图神经网络:方法与应用综述》翻译与解读目录《Graph Neural Networks: A Review of Methods and Applications》翻译与解读Abstract1、Introduction介绍2、General design pipeline of GNNs—GNN通用设计流水线2.1、Find graph structure—查找图结构2.2、
Deep Learning for Extreme Multi-label Text Classification
sjyttkl的专栏
03-09 1197
一、背景介绍 1、研究背景：Multi-label和二分类、多分类研究的内容本身就不太一样，并且Multi-label的数据稀疏问题比单一分类更严重，因此很难学习label之间的依赖关系。 2、研究问题：Extreme Multi-label Text Classification（XMTC）研究的是在一个非常大的标签空间中，为每一个文档找到最相关的若干标签（例如Wikipedia） 3...
双线性卷积神经网络_百度大脑设计的神经网络已经全面打败全球人类专家
weixin_39829307的博客
11-22 338
如果有一天，人工智能的某些能力已超越人类，你是不是会有点方？这种“方”真的来了……基于百度大脑，自动化深度学习工具AutoDL不仅从1.0版本进化至2.0版本，在自动设计效果上，它设计出的神经网络已经全面超过人类专家设计的网络效果。不过这并不代表人工智能将替代人类，它将是开启人们奇妙生活的珍贵钥匙！Peace & Love文章来源：机器之心近日，百度大数据实验室在 arXiv 上...
快速读论文----Neighbor-Anchoring AdversarialGraph Neural Networks
weiwei935707936的博客
12-31 1176
图形神经网络（GNNs）由于能够学习图形数据的高级表示而被广泛采用。虽然GNN具有很强的识别能力，但它们往往无法学习底层节点分布以提高鲁棒性。为了解决这个问题，受生成对抗网络（GANs）的启发，我们研究了图神经网络上的对抗学习问题，并提出了一种新的图表示学习框架NAGNN（即邻域锚定对抗图神经网络），它不仅训练一个鉴别器，而且训练一个相互竞争的发生器。特别地，我们提出了一种新的邻域锚定策略，其中生成器生成具有明确特征和锚定在参考真实节点上的邻域结构的样本，以便鉴别器可以对伪样本执行邻域聚合以学习更好的表示。
bilinear 神经网络_双线性汇合（bilinear pooling）在细粒度图像分析及其他领域的进展综述...
weixin_39612297的博客
12-22 1306
细粒度图像分类旨在同一大类图像的确切子类。由于不同子类之间的视觉差异很小，而且容易受姿势、视角、图像中目标位置等影响，这是一个很有挑战性的任务。因此，类间差异通常比类内差异更小。双线性汇合(bilinear pooling)计算不同空间位置的外积，并对不同空间位置计算平均汇合以得到双线性特征。外积捕获了特征通道之间成对的相关关系，并且这是平移不变的。双线性汇合提供了比线性模型更强的特征表示，并可以...
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