weixin_43963453的博客

这里写自定义目录标题一、GCN二、GAT一、GCN二、GAT公式是：

实现记录一、GNN在pytorch-geometric中的实现思路1.实现GNN的思路一、GNN在pytorch-geometric中的实现思路官方文档是这里：MESSAGE PASSING NETWORKS1.实现GNN的思路文档中说到，Generalizing the convolution operator to irregular domains is typically expressed as a neighborhood aggregation or message passing s

Knowledge Graph Embeddings一、 Heterogeneous Graphs and Relational GCN (RGCN)1.Heterogeneous Graphs and Relational GCN (RGCN)2.Relational GCN（1） block diagonal matrices（2）basis learning3.RGCN链路预测应用（1）验证集、训练集的划分（2）边的得分函数（3）负采样的方法（4）训练流程（5）验证、测试阶段二、 Knowledge

Theory of Graph Neural Networks一、How Expressive are Graph Neural Networks?1.local neighborhood structures二、Designing the Most Powerful Graph Neural Network1.GCN的聚合操作2.GraphSAGE3.本节小结4.设计一个满足单射性质的NN三、本章总结1.The power of pooling2.还能提升表示力吗？一、How Expressive ar

Graph Neural Networks 2: Design Space一、总述一、feature augmentation（1）原图信息不够1. Assign constant values to nodes2.Assign unique IDs to nodes3.两个方法的利弊（2）有些feature是GNN难以学到的三、Structure Augment1.添加虚拟边或者节点2.node neighborhood sampling四、Learning Objective1.Different pr

Graph Neural Networks 2: Design Space一、本章内容总述二、单层的设计1.Message computation2.Aggregation3.小节总结4.GCN的layers设计5.GraphSAGE的layers设计6.GAT一、本章内容总述讲了如何设计不同的GNN，以及这些GNN背后有什么区别。本章提供了一个统一现有的GNN模型的框架。框架中，一共有五个部分可以供我们修改，得到不同的GNN模型：是信息聚合和传递的方式（函数）不同层之间如何连接（全连接还是s

CS224W - Colab 21.TUDataset2. PyTorch Geometric3. OGB4.GCN其他1.TUDataset描述是A collection of benchmark datasets for graph classification and regression.官网是这个这数据集包含了很多不同类的的数据，比如电影，分子。2. PyTorch Geometric描述是a geometric deep learning extension library for

Graph Neural Networks 1: GNN Model一、GNN介绍二、深度学习基础三、Deep learning for Graphs1. GCN背后的直觉2.GCN工作过程3.Neighborhood aggregation3.求和式 Neighborhood aggregation5.如何训练GNN5.本节小结一、GNN介绍之前图嵌入方法，是用的浅嵌入（即查找表）的方式。这有三个巨大缺陷：参数量大且不共享参数、不能应用于新节点、不能使用特征信息。本章讲深度模型。二、深度学习基础略

Message Passing and Node Classification一、分类背后的直觉1.分类问题的表述2.本章内容大纲3.Correlations（1）Homophily（2）Influence4.如何利用Correlations来进行预测5.分类器的主要组成二、Relational classification三、Iterative classification1.两个分类器2.迭代过程四、Loopy belief propagation一、分类背后的直觉1.分类问题的表述根据一部分带标

Link Analysis: PageRank ，Graph as Matrix一、PageRank1.如何定义Web对应的图？2.Ranking Nodes on the Graph3. PageRank: The "Flow" Model4.如何解PageRank本章内容：将图视为矩阵，有三个作用：这几项内容实质上是相关联的。这使得可以用线性代数分析图数据。一、PageRank这是斯坦福两个博士生给Google做的，有巨大的作用。用图分析Internet。1.如何定义Web对应的图？看似

Node Embeddings一、 Node Embeddings1. Graph Representation Learning （GPL）2.Node Embeddings: Encoder and Decoder二、 Random Walk Approaches for Node Embeddings1. 符号表示2. Random Walk定义3. simliarity定义4. Why random walks?5. optimization6. random walk总结7 其他random

文章目录0 章节前言图的两种特征数据传统机器学习Pipeline本章内容概览1 Traditional Feature-based Method- Node1. 问题描述：根据已有的红绿色信息，预测灰色点的颜色信息2. 首要问题：使用何种features描述节点的**位置和结构**信息0 章节前言图的两种特征数据节点和边的attribute和property描述了图的拓扑结构的数据传统机器学习Pipeline设计、获取特征训练应用本章内容概览使用高效的feature是好性能

文章目录两大类Graph自然的图结构用图表示relation structure(即用图表示知识等）两大类Graph自然的图结构如社交网络、通信网络、生物图、大脑神经元连接（如果我们想对大脑建模，图结构是少不了的）用图表示relation structure(即用图表示知识等）...