图卷积神经网络GCN
关注
分享
扫一扫
文章平均质量分 67
Graph Convolutional Neural Network(GCN)。传统的卷积神经网络只能处理欧氏空间数据，而现实生活中的许多场景，如交通网络、社交网络、引用网络等，都是以图数据的形式存在。图卷积神经网络能够更好的处理非欧式空间数据。
青山白云间
这个作者很懒，什么都没留下…
展开
-
PPT：Exploiting Spiking Dynamics with Spatial-temporal Feature Normalization in Graph Learning
原创 2022-04-29 20:58:30 · 278 阅读 · 0 评论 -
PPT：Robust Graph Representation Learning via Neural Sparsification
## 参考文献1.Doersch C . Tutorial on Variational Autoencoders[J]. Arxiv:1606.05908, 2016.2.Weisstein, Eric W."Gumbel Distribution." FromMathWorld--A Wolfram Web Resource.Gumbel Distribution -- ...原创 2021-03-29 21:48:20 · 1115 阅读 · 8 评论 -
PPT：Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks
原创 2021-03-29 21:59:10 · 595 阅读 · 2 评论 -
PPT: 图神经网络综述
图神经网络综述原创 2020-11-11 14:49:26 · 1392 阅读 · 1 评论 -
图卷积神经网络GCN--自动编码器代表作
Graph Auto-encoder文章目录Graph Auto-encoder1 Structural Deep Network Embedding2 Deep neural networks for learning graph representations3 Variational Graph Auto-Encoders4 MGAE: Marginalized Graph Autoenc...原创 2020-04-02 22:11:02 · 4805 阅读 · 0 评论 -
图卷积神经网络GCN--注意力网络代表作
Graph Attention Networks1 Graph Attention Networks[Velickovic P, 2017, 1] 提出了图的注意力网络，利用注意力机制聚合信息，相当于空间法的卷积。用h⃗i(l)\vec{h}_{i}^{(l)}hi(l)表示第lll层的第iii个顶点的特征向量。attention coefficient :eij=a(Wh⃗i(l...原创 2020-04-02 17:34:23 · 3065 阅读 · 1 评论 -
论文阅读笔记: Modeling Relational Data with Graph Convolutional Networks
arXiv:1703.06103v4文章目录1.Introduction2.神经关系建模（Neural relational modeling）2.1 关系图卷积网络（Relational graph convolutional networks）2.2 正则化（Regularization）3.实体分类（Entity classification）4.链接预测（Link predictio...原创 2020-02-29 21:06:35 · 2676 阅读 · 0 评论 -
论文阅读笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORK
论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKSarXiv:1609.02907v4这篇论文笔记主要参考了1.【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS2. 机器学习论文笔记-Semi-Su...转载 2020-02-27 17:58:31 · 431 阅读 · 0 评论 -
图卷积神经网络（Graph Convolutional Network）之谱卷积
图卷积神经网络（Graph Convolutional Network）的卷积本文主要参考了:从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）Chebyshev多项式作为GCN卷积核拉普拉斯矩阵与拉普拉斯算子的关系其他见参考文献部分。1.拉普拉斯矩阵1.1 简单图的拉普拉斯矩阵给定一个具有nnn个顶点的简单无向图G(V,E)G(V,E)G(V,E)，...原创 2020-02-28 19:27:28 · 1208 阅读 · 2 评论 -
论文翻译：A Comprehensive Survey on Graph Neural Networks
论文翻译：图神经网络综合研究arXiv:1901.00596v1文章目录论文翻译：图神经网络综合研究1 引言2 定义3 分类和框架3.1 GNN的分类3.2 框架4 图卷积网络4.1 基于频谱的图卷积网络4.1.1 背景4.1.2 基于频谱的GCN方法4.1.3 总结4.2 基于空间法的图卷积网络4.2.1 基于递归的空间GCN4.2.2 基于组合的空间GCN4.2.3 空间GCN的其他变...原创 2020-03-30 12:37:44 · 916 阅读 · 2 评论 -
图卷积神经网络GCN---空间卷积层代表作
Spatial-based ConvGNN文章目录Spatial-based ConvGNN1 Convolutional networks on graphs for learning molecular fingerprints2 Column Networks for Collective Classification3 Learning Convolutional Neural Netw...原创 2020-04-01 22:38:38 · 925 阅读 · 0 评论 -
图卷积神经网络GCN---递归GCN代表作
Recurrent Graph Neural Networks递归图神经网络（RecGNN）大多是图神经网络的开创性作品。 RecGNN旨在学习具有递归神经体系结构的节点表示。 他们假设图中的节点不断与其邻居交换信息/消息，直到达到稳定的平衡。 RecGNNs在概念上很重要，并启发了后来对卷积图神经网络的研究。 特别地，消息传递的思想被基于空间的卷积图神经网络所继承。[1]1 A New Mo...原创 2020-03-31 19:25:16 · 2242 阅读 · 2 评论 -
图卷积神经网络GCN---谱图卷积层代表作
Spectral-based ConvGNN这篇博客侧重列举谱图卷积的主要发展演变，如果要从头理解建议阅读图卷积神经网络（Graph Convolutional Network）之谱卷积。基于图谱方法的卷积是图卷积神经网络的一个重要方法。频谱方法的一个常见缺点是它们需要将整个图形加载到内存中以执行图形卷积，这在处理大图形时效率不高。[8]1 Spectral networks and l...原创 2020-03-31 21:17:01 · 1210 阅读 · 0 评论 -
图卷积神经网络GCN---池化层代表作
GNN Pooling文章目录GNN Pooling1 Deep Convolutional Networks on Graph-Structured Data2 Convolutional neural networks on graphs with fast localized spectral filtering3 An End-to-End Deep Learning Architect...原创 2020-04-02 15:47:34 · 5456 阅读 · 3 评论