weixin_37936515的博客

Preliminaries图神经网络一个图G\mathcal{G}G由其邻接矩阵和节点特征(A,X)(\mathbf{A},\mathbf{X})(A,X)表示，其中A∈{0,1}n×n\mathbf{A} \in\{0,1\}^{n \times n}A∈{0,1}n×n,X={x1,…,xn}∈Rn×h\mathbf{X} = \left\{\mathrm{x}_{1}, \ldots, \mathrm{x}_{n}\right\} \in \mathbb{R}^{n \times h}X={x1​

今天学习了图神经网络论文《ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations》提出的自适应结构感知池化方法(Adaptive Structure Aware Pooling, ASAP)，发表于AAAI，2020.前言这篇论文回顾近年图神经网络中的池化方法并提出了(1)一种能够分层捕获局部子图信息的稀疏池化算子，该池化方法能够根据池化图的边连接更好的学习全局特征；(2)一种新的更适合

因为涉及了大量的公式，本地写好后传上来问题太多，索性用图将就一下。最后欢迎关注我的公众号阅读高清版本：

今天读一读Bengio大神的GATs本篇论文Introduction所介绍的文章路线比较清晰，可以拿来做个Roadmap。任务：Node ClassificationIdea: 通过Multi-head Self-attention，考虑节点的邻节点，计算每个节点的hidden representation。方法可直接应用于inductive方法。GAT结构本文结合了GCN和mult...

GraphSAGE《Inductive Representation Learning on Large Graphs》阅读笔记Task：node classification最近在读GNN的经典文章，网上对这些文章的解读已经非常透彻，本人在阅读文献过程中也学习了各路大神的独到见解，感谢，向你们致敬。在此分享我的阅读心得和热爱。摘要GraphSAGE为解决大多算法在embeddings训练...

图分类《Hierarchical Graph Representation Learning with Differentiable Pooling》阅读笔记Abstract对于graph neural networks (GNNs)，大体上分三种任务：Node Classification，Link Prediction和 Graph Classification。本文关注的是Graph C...