Graph Neural Network: A First Glance

最新推荐文章于 2025-07-15 09:44:53 发布
原创 最新推荐文章于 2025-07-15 09:44:53 发布 · 243 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

本文深入探讨了图神经网络(GNN)的基本概念及其在图数据上的应用，对比了传统图卷积方法与GNN的区别，解析了GNN的不足及改进方案GGNN，强调了边权重的学习与更新在图表示学习中的重要性。

@[TOC]GNN

Resources

从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一)

Vocabulary

  • Fixed Point Theorem : a convergency guarantee
  • Contraction Map
  • BP: Almeida-Pineda vs BPTT

Short Notes

  • To make f f f a Contraction Map: Penalize Jacobian Matrix of f f f over H H H. I.e. Bound its derivative.
  • GNN: stop when converged.
  • GNN drawbacks
    • Edges serve only as connections not learned
    • Not suitable for learning Graph Representation: all nodes share info with each other.
  • GGNN: replace convergent f f f with a Gated Unit like in RNN. Use BPTT instead of AP and can output before convergence. Edges now have weights that can be updated.

Q&A

  • From Tree to Graph: this is all?
  • Spectual Domain vs Spatial Domain
  • How to update weights
  • Attention
图神经网络(Graph Neural Network)
AI天才研究院
07-12 2193
图神经网络(Graph Neural Network) Graph Neural Networks. 图神经网络 (Graph Neural Network, GNN)是用于处理图结构的神经网络，其核心思想是学习
Paper：《The Illustrated Word2vec》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
12-17 3282
Paper：《The Illustrated Word2vec》翻译与解读2019年3月27日我发现嵌入的概念是机器学习中最吸迷人的想法之一。如果你曾经用过Siri，Google助手，Alexa，Google翻译，甚至智能手机键盘来预测下一个单词，那么你就有机会从这个已经成为自然语言处理模型核心的想法中受益。在过去的几十年里，在神经网络模型中使用嵌入技术有了很大的发展(最近的发展包括基于上下文的词嵌入，从而产生了像BERT和GPT2这样的前沿模型)。
图神经网络（Graph Neural Networks）
04-26
图神经网络无疑是现在最火的AI技术之一，在本文中，全面详细地介绍了GNN的背景动机、GCN、循环关系网络、通用网络。
Graph Neural Network(GNN)图神经网络
weixin_44746091的博客
03-01 951
Graph Neural Network(GNN) 图神经网络
Graph Neural Network
小杜的博客
03-22 413
该文章的博客链接 通过js交互图，介绍不同层之间，图的信息传递 摘要 Understanding Convolutions on Graphs 这篇文章会帮助我们理解从图像卷积自然过渡到图的卷积。GNN属于是一个新的领域，刚刚开始应用。本篇文章主要可以分为四个部分，第一部分是介绍什么数据可以表示成图。第二部分是介绍图和其他数据结构有什么区别。第三部分是介绍GNN的模型，从最简单的模型到现在最先进的模型。第四部分，作者提供了GNN的playground，可以让读者亲自体验体验GNN的魅力。 在本篇文章中，
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
ICCV2017论文摘要汇总
super_chicken的博客
04-18 7446
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
Audio-driven Talking Face Video Generation with Learning-based Personalized Head Pose （译文）
weixin_41967328的博客
11-17 3586
链接 Arxiv： https://arxiv.org/abs/2002.10137 Video： https://www.bilibili.com/video/BV15f4y1t7FD/ 摘要 现实世界中会说话的面孔通常伴随着自然的头部运动。然而，大多数现有的谈话人脸视频生成方法只考虑具有固定头部姿势的面部动画。在本文中，我们提出了一个深度神经网络模型来解决这个问题，该模型将源人物的音频信号a和目标人物的非常短的视频V作为输入，并输出具有个性化头部姿势（利用V中的视觉信息）、表情和嘴唇同步的合成高质量对话
vae 实现_使用tensorflow 2和tensorflow概率实现vae的6种不同方式
weixin_26750481的博客
09-23 2327
vae 实现Since its introduction in 2013 through this paper, variational auto-encoder (VAE) as a type of generative model has stormed the world of Bayesian deep learning with its application in a wide ran...
A Comprehensive Survey on Graph Neural NETWORKS.pdf
02-27
Deep learning has revolutionized many machine learning tasks in recent years, ranging from image classification and video processing to speech recognition and natural language understanding. The data in these tasks are typically represented in the Euclidean space. However, there is an increasing number of applications where data are generated from non-Euclidean domains and are represented as graphs with complex relationships and interdependency between objects. The complexity of graph data has imposed significant challenges on existing machine learning algorithms. Recently, many studies on extending deep learning approaches for graph data have emerged. In this survey, we provide a comprehensive overview of graph neural networks (GNNs) in data mining and machine learning fields. We propose a new taxonomy to divide the state-of-the-art graph neural networks into four categories, namely recurrent graph neural networks, convolutional graph neural networks, graph autoencoders, and spatial-temporal graph neural networks. We further discuss the applications of graph neural networks across various domains and summarize the open source codes, benchmark data sets, and model evaluation of graph neural networks. Finally, we propose potential research directions in this rapidly growing field.
A Comprehensive Survey on Graph Neural Network（2019）.pdf
08-22
A Comprehensive Survey on Graph Neural Network（2019）.pdf
Graph Neural Networks
qq_30011515的博客
02-05 195
GNN 结构框图 GNN应用例子 GNN Roadmap Spatial-based Convolution NN4G (Neural Networks for Graph) DCNN (Diffusion-Convolution Neural Network ) MoNET (Mixture Model Networks) GAT (Graph Attention Networks) GIN (Graph Isomorphism Network) Graph Generation G
Graph Neural Network图神经网络
qq_38304138的博客
04-06 734
Graph Neural Network图神经网络 A.Mathematical Notations 图表示： V、E表示节点和边 𝑣𝑖∈𝑉是一个节点，𝑒𝑖𝑗=𝑣𝑖,𝑣𝑗∈𝐸表示Vi和Vj之间的一条边 节点V的邻域可以定义为𝒩(𝑣)={𝑢∈𝑉∣(𝑣,𝑢)∈𝐸} 图的邻接矩阵用𝐀∈ℛ𝑁×𝑁来描述，N是节点数，N=|V| 𝐀𝑖𝑗=1if𝑣𝑖,𝑣𝑗∈𝐸and𝑖≠𝑗;𝐀𝑖𝑗=1 在无向图中，Aij表示节点Vi和Vj之间的边连接 在有向图中，Aij表示从Vi指向Vj的边 实际应用中，图...
图神经网络模型 The Graph Neural Network Model
热门推荐
明远
01-12 3万+
Abstract 数据包含许多潜在关系可以表示为图，这些数据存在于科学和工程的众多领域，比如计算机视觉、分子化学、分子生物、模式识别以及数据挖掘。本文提出了一种新型的神经网络模型，称为图神经网络(GNN)模型，对现有的神经网络模型进行了拓展，适用于处理可以表示为图的数据。GNN模型通过一个函数τ(G,n)∈Rm\tau(G,n) \in \mathbb{R}^mτ(G,n)∈Rm将图GGG和其中的...
Introduction: Graph Neural Network (GNN)
weixin_43815222的博客
12-16 1222
本文介绍的是GNN方面入门级别的知识, 其实这坑早就挖下了, 但是一直都没有机会补. 部分内容出自, 训练营的切入的角度避开了复杂的数学推导, 方便GNN入门.关于实现, 现在还没有统一的比较成熟的图学习框架, 无论是PyTorch还是TF, 都需要自己手动实现.有两个图学习框架和文中所涉及的所有论文和图片出处在结尾都会提供.
《图机器学习》-Graph Neural Network
GuoShao_的博客
02-24 837
学习笔记
图机器学习（7）——图神经网络 (Graph Neural Network, GNN)
最新发布
盼小辉丶的博客
07-15 7549
图神经网络 (Graph Neural Network, GNN) 是一类专门处理图结构数据的深度学习方法。这类方法也被称为几何深度学习 (geometric deep learning)，在社交网络分析、计算机图形学等众多领域正受到日益广泛的关注。在本节中，我们介绍了 GNN 的核心原理，将卷积等经典深度学习范式拓展至非欧几里得图空间，实现了局部结构与全局特征的层次化提取。
graph neural networks: a review of methods and applications
03-16
图神经网络：方法和应用综述 图神经网络是一种基于图结构的深度学习模型，它可以对图数据进行建模和预测。本文综述了图神经网络的各种方法和应用，包括图卷积网络、图注意力网络、图自编码器等。这些方法可以用于图分类、节点分类、图生成、链接预测等任务。此外，本文还介绍了图神经网络在社交网络、化学、计算机视觉等领域的应用。
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