图神经网络的资源和实例总结

最新推荐文章于 2025-05-27 14:47:22 发布
最新推荐文章于 2025-05-27 14:47:22 发布
阅读量1.8k 收藏 8
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 深度强化学习基本原理与算法开发实战 机器学习算法原理讲解与代码实现 数据库从入门到删库
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/weixin_32393347/article/details/96430286
这是一份全面的图分类方法集合，涵盖了图嵌入、深度学习、图核等领域的论文及其Python实现，包括了从因子分解到深度图核的各种方法，并提供了相关基准数据集的链接。

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

文章目录

Awesome Graph Classification

A collection of graph classification methods, covering embedding, deep learning, graph kernel and factorization papers with reference implementations.

Relevant graph classification benchmark datasets are available [here].

Similar collections about community detection, classification/regression tree and gradient boosting papers with implementations.

了解本专栏 订阅专栏 解锁全文 超级会员免费看
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 1万+
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 12万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络简单理解 — — 附带案例
SoyMilk的博客
08-15 2646
图神经网络（Graph Neural Network, GNN）是一种深度学习模型，专门用于处理图结构数据。它能够捕捉节点的邻域结构信息，广泛应用于各种领域，如社交网络分析、生物信息学、推荐系统等。
8个图神经网络的典型用例
新缸中之脑
05-26 2051
图数据遍布全球：任何由实体及其关系组成的系统都可以用图形表示。尽管过去十年来，深度学习算法在自然语言处理、计算机视觉和语音识别等领域取得了突出进展，因为它们能够通过非线性层从数据中提取高级特征，但大多数深度学习架构都是专门针对欧几里得结构化数据（如表格数据、图像、文本和音频）量身定制的，而图形数据则在很大程度上被忽略了。传统的人工智能方法旨在从由某种“刚性”结构编码的对象中提取信息。例如，图像通常被编码为固定大小的二维像素网格，文本被编码为一维单词序列（或标记）。
图神经网络GNN学习笔记：最简单全面原理与代码实现
最新发布
weixin_41560800的博客
05-27 1248
如果你认真看完上述所有内容，你已经初步掌握了GNN的概念和使用方法。若想进阶，请使用自己的Graph_data进行尝试。
15种图神经网络的应用场景总结
deephub
04-13 1万+
在本文中，我们主要关注模型的应用，而具体的网络设计并不是我们这里特别感兴趣的。 社会影响的预测 社会影响预测侧重于朋友之间行为的影响，尤其是在社交网络中。例如，如果一些社交网络上的朋友买了一件衣服，他/她会不会也买呢?以社交图作为输入，DeepInf为用户学习网络嵌入(一种潜在的社会表征)。结合下面(d)中手工制作的特征，对社会影响进行预测，比如v是否也会观看广告片段(步骤f)。在训练过程中，将预测结果与真值进行对比，学习这个网络嵌入。 电子健康记录建模 我们可以用图来建立医学本体的模型。下面是一个使用.
图神经网络的计算过程
qq_44370676的博客
04-15 2641
GNN的计算过程1.GCN2. Gated Graph Sequence Neural Network2.1. Gated Graph Neural Networks(GG-NNs) 因为需要研究基于图网络的漏洞检测的可解释性需要熟悉图神经网络，故需要总结以下常见的图网络的前向传播过程。 1.GCN GCN目前看到的基于结点分类的示例比较多，不过对图分类的还没见过，欢迎大佬补充。 GCN的输入为 图的邻接矩阵 A∈Rn×nA \in R^{ n \times n}A∈Rn×n 图的结点特征矩阵 X∈Rn×
图神经网络(Graph Neural Networks) 原理与代码实例讲解
AI天才研究院
07-11 557
图神经网络(Graph Neural Networks) - 原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 在深度学习的众多分支中，图神经网络（Graph Neural Networks,
图神经网络简介
xiaopihaierletian的博客
12-01 1714
图神经网络简介
【GNN】图神经网络简介
zxy0000zxy的博客
11-20 2198
图是表示一些实体(nodes点)之间的关系(edges边)，可以在图的每个部分中存储信息。通过将方向性与边（有向、无向）相关联来专门化图。分为无向图、有向图。
​最新综述！基于图神经网络的关系抽取技术进展
Paper weekly
12-05 1907
关系抽取任务是为了预测文本中两个实体中的语义关系，是 NLP 中的重要任务。基于图的模型由于其在关系推理中的有效性和强度而被广泛采用，许多研究依赖于外部解析器将文本序列转换为依赖树来初始化...
word2vec, node2vec, graph2vec, X2vec：构建向量嵌入表示理论
07-19
嵌入表示学习是当下研究热点，从word2vec,到node2vec, 到graph2vec，出现大量X2vec的算法。但如何构建向量嵌入理论指导算法设计？最近RWTH Aachen大学的计算机科学教授ACM Fellow Martin Grohe教授给了《X2vec： 构建结构数据的向量嵌入理论》报告，非常干货！
图神经网络简明教程【GNN】
新缸中之脑
12-10 624
图（Graph）是包含节点和顶点的数据结构。各个节点之间的关系由顶点定义。如果在节点中指定了方向，则该图被称为有向图，否则，该图是无向图。使用图表的一个很好的例子是对社交网络中不同人之间的联系进行建模。
图神经网络--GNN从入门到精通
feverfew1的博客
12-31 3159
图是由节点和边组成的，如下图所示。一般图中的节点表示实体对象（比如一个用户、一件商品、一辆车、一张银行卡等都可以作为节点），边代表事件或者实体之间的特殊关系（比如用户和商品之间的购买关系）。
图神经网络入门篇Graph Neural Network
u012526436的博客
06-03 4243
前言 在我上一篇博客，介绍基于random walk的节点表示方式，该方法的主要是思想是以one-hot的形式，经过Embedding层得到node vector，然后优化以下的似然函数来得到最优的Embedding Matrix max∑u∈VlogP(NR(u)∣zu)max \sum_{u \in V} logP(N_R(u)|z_u)maxu∈V∑​logP(NR​(u)∣zu​) 该方法有很多缺点 需要∣V∣|V|∣V∣大小的空间 参数没有共享，一个节点对应一个embedding值 图通常需要用
图神经网络（GNN）教程 – 用 PyTorch 和 PyTorch Geometric 实现 Graph Neural Networks
SimonChen
09-20 2185
https://www.pytorchtutorial.com/pytorch-geometric-for-gnn/?tdsourcetag=s_pctim_aiomsg#i https://www.cnblogs.com/zhangxiann/p/pyg.html
用Python实现神经网络（附完整代码）！
Datawhale
12-01 5万+
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：[美]霍布森·莱恩，科尔·霍华德在学习神经网络之前，我们需...
SAGPool - Self-Attention Graph Pooling 图分类 图池化方法 ICML 2019
知行合一，止于至善
11-30 2万+
文章目录1 相关介绍背景创新性2 相关工作基于拓扑的池化全局池化分层池化3 方法3.1 基于self-attention的图池化方法：SAGPoolSelf-attention mask图池化SAGPool的变种3.2 模型架构卷积层readout层全局池化架构分层池化架构4 实验数据集GNNs的评估训练过程BaselinesSAGPool的变种结果总结5 分析全局池化和分层池化考虑图拓扑结构的影...
用 Python 绘制图表理解神经网络
Python中文社区
09-24 559
人工神经网络 (ANN) 已成功应用于许多需要人工监督的日常任务，但由于其复杂性，很难理解它们的工作方式和训练方式。在这篇博客中，我们深入讨论了神经网络是什么、它们是如何工作的，以及如何将...
BP神经网络图像压缩实例详解及代码数据
总结来说，BP神经网络在图像压缩方面的应用是一个跨学科的领域，它结合了深度学习和数据压缩技术，能够提供一种新的压缩图像数据的方法。通过实例精解，可以更深入地了解BP神经网络在图像压缩中的实现细节，并探索其...
评论 1
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

AI拉呱

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