[重读]FastGCN这篇文章 [没写呢]

最新推荐文章于 2024-04-17 09:36:11 发布
原创 最新推荐文章于 2024-04-17 09:36:11 发布 · 294 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。
文章标签：

#GNN

博客介绍了一种layerwise的采样方式及其好处，还依据其解释谱域。同时给出了一些关于FastGCN的优质博客，包括论文详解、总结及实现、源码分析等内容。
图神经网络（十）：FASTGCN: FAST LEARNING WITH GRAPH CONVOLUTIONAL NETWORKS VIA IMPORTANCE SAMPLING
码匀的博客
03-13 1368
一句话概括该论文： 这篇论文提出了fastGCN，它的主要思想是将图节点解释为某种概率分布下的独立同分布样本，并将损失和每个卷积层写为关于顶点嵌入函数的积分。然后，通过定义样本损失和样本梯度的蒙特卡洛近似对积分进行评估。 Introduction： 研究背景： 尽管17年的GCN获得了比较好的结果，但由于GCN在训练时需要知道图的所有数据，因此是Transductive的，而对于现实世界来说，图中的节点是不断变化的，因此一个Indutive的模型是急需的。并且GCN面临的一个更严峻的挑战是，在批量训练中，跨
FastGCNL:FAST LEARNING WITH GRAPH CONVOLUTIONAL NETWORKS VIA IMPORTANCE SAMPLING
zhao254014的博客
10-16 1153
每层采用固定数目的样本，根据节点的度，得出概率，进行重要性抽样
【网络表示学习】FastGCN
zjwreal
05-28 3891
摘要 Kipf提出的GCN模型训练过程同时需要训练数据和测试数据，对于大图训练效率低。为了解决训练过程对测试数据的需要，本文提出了FastGCN模型，将图卷积操作解释为的embedding函数在概率度量下的积分变换。这种解释下，可以采用蒙特卡洛方法估计积分，并可以进行batch训练。FastGCN使用重要采样，在保持准确性的同时训练效率有了数量级的提升。 Model 类比SGD每个epoch随机选...
手写论文笔记(一)：fastGCN
ptxx_p的博客
04-14 534
FastGCN： fast learning with graph convolutional networks via importance sampling 论文详解 ICLR 2018
知行合一，止于至善
09-21 9229
文章目录1 简单介绍概率测度 probability measure自助法 bootstrappingGCN面临的两个挑战解决思路（创新点）2 相关工作3 通过采样进行训练和推理定理13.1 variance reduction 方差缩减Proposition 2（命题2）定理3命题43.2 Inference 推理3.2 和GraphSAGE的对比4 实验Benchmark数据集实验细节Fast...
论文笔记：ICLR 2018 FastGCN: Fast Learning With Graph Convolutional Networks Via Important Sampling
qq_44015059的博客
09-17 1826
前言 这篇文章对数学的要求好高，奈何自己水平有限读不太懂，想进一步了解的推荐去看原文或者后面附上的博客链接，此篇博客仅仅是作者按照自己的思考过程整理而得 作者基于2017年由Kipf和Welling提出的以一阶切比雪夫不等式为卷积核的图卷积算法，分析它的一些特点如下： 传统的GCN是一种直推式图卷积(Transductive learning)，也就是训练数据包含训练数据和测试数据，只是测试数据在计算loss的时候被省略掉，是一种半监督学习的策略 原始GCN通过递归方法对图数据进行处理，这导致在处理大图和
一篇文章让你知道什么是运营！
02-26
相信这本书是大部分运营的启蒙书，最近重读知乎大神张亮的《从零开始学运营》颇有收获。现整理如下，愿与苦逼运营党一起学习交流。一切能够帮助产品进行推广、促进用户使用、提高用户认知的手段都是运营。仅限于...
重读长辈这本书.docx
10-14
重读长辈这本书.docx
普通话考试60篇朗读文章.doc
10-11
- 《普通话水平测试用朗读作品》中的这篇文章描述了一种力争上游、坚韧不屈的树，强调了它的特征和精神象征，适合用于朗读测试，能体现考生的语音表达和情感传递能力。 8. 文化背景： - 文章提到的白杨树是西北...
快速下降法的matlab代码-FastGCN-matlab:Matlab中的FastGCN和伴随代码，用于使用有偏但一致的梯度估计器分析SGD
06-12
快速下降法的matlab代码FastGCN：方法与理论 该存储库包含 FastGCN 的 Matlab 实现，以及优化理论论文的配套代码。 观察到 FastGCN 的 Matlab 代码比 Tensorflow 或 PyTorch 中的其他实现要快得多。 这篇理论论文用有偏但一致的梯度估计器解释了随机梯度下降，是 FastGCN 背后的驱动力。 对于随论文发布的原始 FastGCN 代码（在 Tensorflow 中实现），请参见 。 快速GCN 请参阅目录fastgcn 。 从test_fastgcn.m开始。 参考 陈洁、马腾飞、曹晓。 . 在 ICLR，2018 年。 使用有偏但一致的梯度估计器的 SGD 查看目录sgd_paper 。 从test_1layer.m和test_2layer.m开始。 参考 陈洁和罗尼·拉斯。 . 预印本 arXiv:1807.11880, 2018。
探索FastGCN：高效图卷积网络实现
gitblog_00093的博客
04-17 632
探索FastGCN：高效图卷积网络实现 是一个基于PyTorch的库，专注于优化和加速图卷积网络（Graph Convolutional Networks, GCNs）的训练过程。该项目由Mateusz Matena和Jure Leskovec等人开发，旨在解决传统GCN在大规模图数据上的效率问题。 项目简介 FastGCN采用一种称为采样策略的方法来加速GCN的计算。这种方法的主要思想是在每次训...
FastGCN:我们的ICLR18论文“ FastGCN”的示例代码
05-03
快速GCN 这是我们ICLR2018论文的Tensorflow实施： 示例代码说明： [用于Reddit数据集] train_batch_multiRank_inductive_reddit_Mixlayers_sampleA.py is the final model. (precomputated the AH in the bottom layer) The original Reddit data should be transferred into the .npz format using this function: transferRedditDataFormat. Note: By default, this code does no sampling. To enable sampling, change `main(None)` at the bottom
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。
【GNN】采样算法总结
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
08-15 3752
背景： 许多领域的数据都可以自然地表达成图结构，比如社交网络、蛋白质相互作用网、化学分子图和3D点云等。这些图数据的复杂性对现有的机器学习算法提出了重大挑战。近几年图卷积网络（GCN）把深度学习中卷积神经网络的思想用到图的学习上，在点分类、边预测以及推荐系统上都取得了非常好的效果。 在GCN中，为了得到根节点的表达，需要从它上一层的邻居节点里收集信息。然后同样的，这些邻居节点也需要再从他们上一层的邻居节点里收集信息。这样随着层数的加深，需要计算的多跳邻居数量就会指数级上升。这种“邻居数量指数增加”的问题
图采样相关工作要点
weixin_43547135的博客
11-29 1088
涉及图采样技术的几种图神经网络模型的简要要点总结 适合研究图采样技术的人当作综述或大纲来看
图神经网络入门：GCN论文+源码超级详细注释讲解！
ZJF的博客
04-25 3万+
本文参考了这篇文章：https://blog.youkuaiyun.com/weixin_36474809/article/details/89379727侵删 这篇文章的代码非常经典，很值得学习，如有错误请指正 utils.py import numpy as np import scipy.sparse as sp import torch ''' 先将所有由字符串表示的标签数组用set保存，set的重...
图形卷积神经网络有多强大？一文让你熟练掌握GCN
喜欢打酱油的老鸟
02-02 6558
https://www.toutiao.com/a6649220677184258568/   2019-01-22 15:32:10 点击上方关注，All in AI中国 作者——Tobias Skovgaard Jepsen 由于高度复杂但信息丰富的图形结构，图形上的机器学习一直以来都是一项艰巨的任务。本文是关于如何使用图形卷积网络（GCN）进行图形深度学习的系列文章中的第二篇。...
图卷积网络、图神经网络必读论文
知行合一，止于至善
08-24 1万+
文章目录Content[Survey papers](#content)Models[Basic Models](#content)[Graph Types](#content)[Pooling Methods](#content)AnalysisEfficiencyApplicationsPhysics[Chemistry and Biology](#content)[Knowledge Gra...
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
热门推荐
知行合一，止于至善
08-24 17万+
文章目录1. 为什么会出现图卷积神经网络？2. 图卷积网络的两种类型2.1 vertex domain(spatial domain)：顶点域（空间域）2.2 spectral domain：频域方法（谱方法）3. 什么是拉普拉斯矩阵？3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵（Symmetric normalized Laplacian）随机游走归一化拉普拉斯矩...
UDS重读刷写capl代码
最新发布
01-15
### UDS 协议下的 ECU 刷写过程 ECU 的刷新或重写操作通常涉及多个阶段，包括解锁、擦除、编程以及验证。以下是使用 CAPL 编程语言在 CANoe 中实现这一过程的一个简化示例： #### 解锁 ECU 为了安全起见，在执行任何更改之前，必须先解锁目标控制单元。 ```capl void unlockEcu() { diagRequest req; // 发送解锁请求 write("Sending Unlock Request..."); setDtcMask(0xFFFF); // 设置 DTC 掩码以忽略错误代码 req.serviceId = 0x27; // Security Access Service ID req.data[0] = 0x01; // Subfunction (First Level) sendDiagnosticRequest(req, 500); } ``` #### 执行擦除操作 一旦成功解锁，下一步就是准备足够的空间来存储新的固件版本。 ```capl void eraseMemory() { diagRequest req; // 请求删除指定地址范围内的数据 write("Erasing Memory..."); req.serviceId = 0x34; // Erase Memory Service ID req.data[0] = 0x00; // Address and memory size information... sendDiagnosticRequest(req, 1000); if (!waitForPositiveResponse()) { write("Failed to erase memory."); return; } } ``` #### 开始传输新文件 当内存被清空之后，则可以开始向设备上传更新后的二进制映像。 ```capl void startTransfer() { diagRequest req; byte blockNumber = 0; while (hasMoreDataToTransmit()) { getBlockOfFirmware(&req.data[blockNumber], BLOCK_SIZE); // 使用 Transfer Data service 进行分块传送 req.serviceId = 0x36; req.dataLength = BLOCK_SIZE + 1; req.data[0] = ++blockNumber; sendDiagnosticRequest(req, 500); if (!waitForPositiveResponse()) { write("Error during data transfer."); break; } delay(BLOCK_DELAY_MS); } } ``` #### 验证并完成刷写 最后一步是对已加载的数据进行校验，并正式结束整个程序流程。 ```capl boolean verifyAndCompleteFlash() { diagRequest req; boolean success = false; // 计算 CRC 或其他形式的校验和 calculateChecksum(); // 提交最终确认指令给 ECU req.serviceId = 0x31; // Routine Control Service ID req.data[0] = 0x03; // Start routine sub-function req.data[1] = 0xFF; // Routine identifier for flash programming completion sendDiagnosticRequest(req, 2000); if (waitForPositiveResponse()) { success = true; write("Reflash completed successfully!"); } else { write("Verification failed or reflash incomplete."); } return success; } // 辅助函数用于等待诊断响应 boolean waitForPositiveResponse() { long startTime = millis(); do { if (testWaitForDiagResponse(diagnosticRequestId, RESPONSE_TIMEOUT)) { checkResponseCode(); // 自定义逻辑处理不同类型的应答状态 return true; } } while ((millis() - startTime) < MAX_WAIT_TIME); return false; } ``` 上述代码片段展示了如何利用 CAPL 和 UDS 来构建一个基本的 ECU 刷新工具[^1][^2]。需要注意的是实际应用中还需要考虑更多细节如异常情况处理、进度报告等功能模块的设计。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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