GCN--SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

最新推荐文章于 2024-05-13 17:14:48 发布
原创 最新推荐文章于 2024-05-13 17:14:48 发布 · 751 阅读 · 1 ·
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：

#图计算

本文探讨了图卷积的两种形式：谱卷积和空间域卷积，重点介绍了谱卷积方法。通过傅立叶变换，将图滤波转换为神经网络结构，实现了图上的卷积操作。文章提供了详细的推导过程，并附有多个参考资料，帮助读者深入理解GCN在点分类任务中的应用。

图卷积有谱卷积和空间域的卷积，这篇论文是谱卷积。

此篇论文的入门：https://tkipf.github.io/graph-convolutional-networks/
耐心看，收获很大。

这篇论文是谱卷积其实就是将傅立叶的图滤波一步步推成神经网络。
推导的过程参考原文，或者一个博客：https://blog.youkuaiyun.com/chensi1995/article/details/77232019
或者相似的论文博客：https://blog.youkuaiyun.com/elliottzheng/article/details/82696298

GCN点分类：
https://www.sohu.com/a/253579047_395209

【[GCN]semi-supervised classification with graph convolutional networks】
weixin_45840199的博客
02-10 884
提出了一种可扩展的图结构数据的半监督学习方法，该方法基于直接在图上操作的卷积神经网络的有效变体。通过光谱图卷积的局部一阶近似来激发我们的卷积体系结构的选择。我们的模型在图边的数量上呈线性扩展，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图数据集上的许多实验中，我们证明了我们的方法显著优于相关方法。
Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解
November、Chopin
10-05 2168
Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解
Semi-Supervised Classification with Graph Convolutional Networks
Peter的脱发日记
05-24 4466
Semi-Supervised Classification with Graph Convolutional Networks 原问地址 时间：2017 Intro 要解决的问题：图上的结点分类，其中只有小部分结点有label。 这是一个基于图的半监督学习，可以通过在损失函数中额外加一项graph-based regularization来解决： 其中L0\mathcal{L}_0L0​表示l...
Semi-Supervised Classification With Graph Convolutional Networks
I‘m Frank Lee
11-09 3576
图卷积网络的半监督分类 提升了图卷积的性能，使用切比雪夫多项式的1阶近似完成了高效的图卷积架构。原文链接：Semi-Supervised Classification with Graph Convolutional Networks. Kipf & Welling 2017 一开始就提出， 2Fast Approximate Convolutions On Graphs 介绍基...
Semi-supervised classification with graph convolutional networks
BUPT-WT的博客
01-27 3864
研究意义: 1、在拓扑图中 可以有效的提取空间特征 2、拓扑图中每个顶点的相邻顶点数目可能不同，所以不能用同样大小的卷积核进行卷积操作 本文主要结构如下所示: 一、Abstract 提出将卷积操作应用到图上，通过图频域的近似分析来建模学习图的局部结构和结点特征。 二、Introduction 介绍图上结点分类的半监督问题，通过神经网络学习结点的表式，半监督定义loss function ，提出了图上神经网络传播规则并将其与图频域分析联合起来 三、Fast Approxima...
论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
qq_44015059的博客
04-17 2733
前言 本文提出了一种可扩展的基于图数据结构的半监督学习方法，该方法基于一个有效的卷积神经网络变形，这种变形能够直接对图进行操作（卷积层变为了图卷积层）。图结构的数据在现实应用中非常常见，比如: Social Networks, Citation Netwoks, Knowledge Graphs等。 图半监督学习的setting是，在给定的图结构的数据中，只有少部分节点是有标记的，大部分节点是未标...
精选资源
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub...
精选资源
semi -supervised classification with graph convolutional networks学习必记
01-07
当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征： 3. 半监度节点分类模型 本文模型优缺点 WlW^lWl在各个顶点共享，与顶点个数无关，可以用于大...
GCN经典论文笔记：Semi-Supervised Classification with Graph Convolutional Networks
qq_44624316的博客
05-10 6798
GCN开山之作论文解读：《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》
半监督的GCN：Semi-Supervised Classification With Graph Convolutional Networks
Guozyan的博客
05-13 826
关于内存需求：当前模型采用全批量梯度下降，后续考虑小批量随机梯度下降，但此时要考虑GCN的层数，因为具有k层的gcn的k阶邻域必须存储在存储器中以用于精确的过程。关于图是有向边还是无向边：框架只支持无向边，如果是有向图可以拆分为无向二分图，并添加表示原图中的边的节点，可以处理有向边和边特征。对于大型图，其损失函数的特征分解的计算十分昂贵，为解决此问题，可以用切比雪夫多项式到第k阶的截断展开来近似代替gθ（Λ）。这种方法是在图的边的数量上进行线性的缩放模型，并学习包含局部图结构和图节点的几个隐藏层表示。
【论文】Semi-Supervised Classification with Graph Convolutional Networks
安静
02-27 795
Semi-Supervised Classification with Graph Convolutional Networks1 Introduction2 Fast Approximate Convolutions on Graphs2.1 Spectral Graph Convolutions2.2 Layer-Wise Linear Model3 Semi-Supervised Node ...
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
abrams90的专栏
12-02 1195
Abstract 本文提出了一种基于卷积神经网络的可扩展半监督学习方法，该方法可以直接对图进行学习。我们通过图卷积的局部一阶近似来进行卷积结构的选择。我们的模型在图边缘数量上线性扩展，并且学习了编码局部图结构和节点特征的隐层表示。在引用的网络和知识图数据集上的大量实验表明，我们的方法比相关方法有显著的优势。 1、Introduction 我们考虑在图(如引用网...
Semi-supervised Classification with Graph Convolutional Networks
tszupup的博客
04-20 928
今天准备在所里分享的文章，GCN的提出论文，2017年发表在ICLR上，目前（截止到2019/4/20）在谷歌学术上被引用了近1000次。 ...
图卷积网络 Semi-supervised Classification with Graph Convolutional Networks
chumingqian的博客
04-11 579
namedGCN.在这篇文章中，我们将仔细研究一个名为 GCN 的著名图神经网络之一。首先，我们将获得直觉，看看它是如何工作的，然后我们将更深入地了解它背后的数学原理。
【GCN】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
NaNianSuYan的博客
04-26 775
阅读论文时查找到的一些觉得有用的资料，整理收集，方便以后参考。 论文地址： Semi-Supervised Classification with Graph Convolutional Networks 1：CNN与GCN的联系与区别 知乎地址：从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 简书：浅析图卷积神经网络 2：论文原理翻译前3章：图卷积神经网络的半监...
文章综述——SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
weixin_42358688的博客
11-05 2308
摘要： 提出了一种可扩展的在图结构数据上进行半监督学习的方法，它基于一种直接在图上操作的卷积神经网络的有效变体。我们通过频谱图卷积的局部一阶近似来激励卷积架构的选择。我们的模型以图形边的数量线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在一些引用网络和知识图数据集的实验中，我们证明了我们的方法有显著性作用 正文： 我们考虑了对图(如引用网络)中的节点(如文档)进行分类的问题，其中标签只对一小部分节点可用。这个问题可以被框定为基于图的半监督学习，通过某种形式的显式基...
Semi-supervised classification with graph convolutional networks文章翻译
最新发布
03-23
### 关于《Semi-Supervised Classification with Graph Convolutional Networks》的中文翻译 以下是《Semi-Supervised Classification with Graph Convolutional Networks》文章的核心内容及其翻译： #### 图卷积...
评论 1
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