图神经网络基本概念记录

图神经网络的数学基础与滤波器解析
最新推荐文章于 2025-03-18 20:12:17 发布
原创 最新推荐文章于 2025-03-18 20:12:17 发布 · 197 阅读 · 0 ·
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：

#算法

图G=(V,E):
节点集;节点数量n=|V|
边集;边数量m=|E|
邻接矩阵:A
度矩阵:D
归一化邻接矩阵:P=D^{-1/2}AD^{-1/2} ，其实就是将邻接矩阵中对应有边的地方的值变成一条边的两个点的度数的根号相乘的倒数。

归一化拉普拉斯矩阵：L=I-D^{-1/2}AD^{-1/2}，除了对角线上是1，其他有边的地方的值就是上面归一化邻接矩阵部分的值变成负数。

节点特征矩阵X\in \Re^{n*f}   f代表特征维度

\tilde{P}代表节点加了一个自环，外部那个函数一般是ReLu

 

 关于滤波器相关的操作其实不太懂，但是可以参考：滤波器视角看图神经网络(魏老师讲座) - 知乎

ye6
关注
专栏目录
图神经网络实战（2）——图论基础
盼小辉丶的博客
02-29 1万+
图论 (Graph theory) 是数学的一个基本分支，涉及对图研究。图是复杂数据结构的可视化表示，有助于理解不同实体之间的关系。图论提供了大量建模和分析现实问题的工具，如交通系统、社交网络和互联网等。在本节中，将介绍图论的基本原理，主要涉及三个方面：图属性、图概念和图算法。
图神经网络实战（PyTorch Geometric处理学术网络）
最新发布
qq_42568323的博客
04-01 1126
节点数据：代表学者，每个节点包含学者ID、姓名、机构、研究领域等属性。边数据：代表合作关系或引用关系，每条边包含起始学者ID、目标学者ID、合作次数或引用次数等。通过模拟生成数据，我们可以构造一个包含至少10万节点和数百万条边的学术网络，以满足工业级大规模数据处理需求。本文详细介绍了如何利用Python构建一个端到端的图神经网络流水线，通过PyTorch Geometric处理学术网络数据，实现节点分类或链接预测任务。项目中我们首先模拟生成大规模学术网络数据，构建包含学者节点与合作边的数据集；
知识图谱基础Part2_图数据处理算法与模型
yn_gogo的博客
03-17 2985
一、图概述 1、图是由顶点集合以及顶点之间的关系集合组成的一种数据结构：G=(V,E) 2、分类：有向图（Directed graph）、无向图（Undirected graph） (带权图（weighted graph）\属性图) 3、图数据处理的挑战 （1）结点和边可变大小 （2）结点无序（CNN\RNN） （3）不同结点的局部连接不同 （4）结点之间相互依赖 （...
Graph Neural Network图神经网络
qq_38304138的博客
04-06 719
Graph Neural Network图神经网络 A.Mathematical Notations 图表示： V、E表示节点和边 𝑣𝑖∈𝑉是一个节点，𝑒𝑖𝑗=𝑣𝑖,𝑣𝑗∈𝐸表示Vi和Vj之间的一条边 节点V的邻域可以定义为𝒩(𝑣)={𝑢∈𝑉∣(𝑣,𝑢)∈𝐸} 图的邻接矩阵用𝐀∈ℛ𝑁×𝑁来描述，N是节点数，N=|V| 𝐀𝑖𝑗=1if𝑣𝑖,𝑣𝑗∈𝐸and𝑖≠𝑗;𝐀𝑖𝑗=1 在无向图中，Aij表示节点Vi和Vj之间的边连接 在有向图中，Aij表示从Vi指向Vj的边 实际应用中，图...
图神经网络
🅽🅸🅲🅺🅴🆁🅽🅴🅻 ⓃⒾⒸⓀⒺⓇⓃⒺⓁ
11-24 2695
图是由组成的一种数据结构，它通常表示为，其中表示为一个图，是图中顶点的集合，是图中边的集合。如下图所示图结构研究的是数据元素之间的。在这种结构中，任意两个元素之间都可能存在关系，即顶点之间的关系可以是任意的，图中任意元素之间都可能相关。在图结构中，。任意两个顶点之间都可能有关系，顶点之间的逻辑关系用边来表示。边可以是有向的也可以是无向的，。并且在图结构中的每个顶点都有自己的特征信息。顶点间的关系可以反映出图结构的特征信息。在实际应用中，可以根据图顶点特征或图结构特征进行分类。
图神经网络基础--图结构数据
发呆的比目鱼的博客
09-26 1973
图神经网络基础
GCN中和图相关概念的数学表现（节点、边、度、邻接、关联、拉普拉斯）
joyee512的博客
06-23 4058
图的一些基本知识：图，邻居，度矩阵，邻接矩阵 https://blog.youkuaiyun.com/luzaijiaoxia0618/article/details/104718146/ 关联矩阵，拉普拉斯矩阵 https://blog.youkuaiyun.com/luzaijiaoxia0618/article/details/104720948 图有节点V和边E,边可以是有向的和无向的两种。两个节点之间通过边形成邻居关系。跟某一节点相关联的边的数量形成该节点的度。 —————————————————————— 无向图分析
图神经网络在非结构化数据分析中的应用
AI天才研究院
03-18 833
在当今数字化时代，数据呈现出爆炸式增长的态势，其中非结构化数据占据了相当大的比例，如文本、图像、音频、社交网络数据等。非结构化数据由于缺乏明确的结构和组织，传统的数据处理和分析方法往往难以充分挖掘其潜在价值。图神经网络（Graph Neural Networks，GNN）作为一种新兴的深度学习技术，能够有效地处理图结构数据，为非结构化数据分析提供了新的思路和方法。
图神经网络在社交网络分析中的应用研究
AI天才研究院
10-19 1222
引言 社交网络是现代信息技术中不可或缺的一部分，它为我们提供了一个平台，可以与世界各地的人建立联系、分享信息和资源。随着社交网络的普及，如何有效地分析社交网络数据成为了一个重要的研究课题。在这一背景下，图神经网络（Graph Neural Networks, GNNs）作为一种强大的机器学习模型，因其能够处理复杂网络结构和提取有效特征而引起了广泛关注。
【图神经网络GNN - 1】图神经网络基础介绍
qq_62627893的博客
11-30 1023
由浅入深学习图神经网络（GNN），记录学习历程，持续更新。第1讲：介绍GNN的相关基础概念。
图神经网络学习笔记
程哥哥的一亩三分地
11-18 1411
点(vertex)、边(edge)、全局图(global)，图神经网络（GNN，Graph Neural Network）主要作用还是跟传统神经网络的作用一样——每次每个点通过周围点迭代更新自身权重，随着迭代，图神经网络的感受野会越来越大，慢慢的每个点会拥有全局图的特征。图卷积神经网络与卷积神经网络就像老婆与老婆饼、java和javascrit的区别，原理几乎完全不一样，，哪怕100个输入数据格式都不一样，也可以放入GNN进行训练提取特征，输入输出任务可以自己设计。许多点是未知的甚至不确定的，
深入浅出图神经网路——图的概述及神经网路基础
fatfairyyy的博客
07-25 456
前言 近日开始系统学习《深入浅出图神经网络》一书，将笔记记作博客，供日后参考。在学习的过程中，若本文及后文中有谬误，欢迎批评指正。 第一章 图的概述 为什么是图？ 图被用来表示物体与物体之间的关系，如化学分子、通信网络和社交网络等。任何一个包含二元关系的系统，都可以用图来表述。 图的基本定义： 图的基本定义 图可以表示为顶点(Vertex)和边(Edge)的集合，记作G = (V,E)。同时，设图的顶点数为N，边数为M。 图的基本类型 有向图、无向图；加权图（网）、非加权图（认为权重是相同的，如都是1
[图神经网络]图神经网络(GNN)
就随便写写....
03-01 1862
图卷积神经网络概述
图神经网络 GNN 入门
dongmie1999的博客
06-16 1051
网络层数（number layers）：神经网络层数的选择需要考虑模型的复杂度和有效性，过多的层数会增加训练难度和计算开销，过少的层数会影响模型表达能力。批大小（batch size）：批大小决定了每次训练时输入模型的样本数量，过小的批大小会导致模型难以优化，过大的批大小会占用过多计算资源。1、全局级别的，如给定一个分子式的图网络结构，预测该分子的属性（气味、颜色等，或者该图网络中是否包含两个环）上面说过，图网络的输入是一个图网络，输出是一个拓扑结构相同的图网络；输入输出的属性可能会有所不同。
用于多关系数据的图神经网络R-GCNs
deephub
12-30 5743
本文描述如何扩展图神经网络(GNNs)的最简单公式，以编码知识图谱(KGs)等多关系数据的结构。 这篇文章包括4个主要部分: 介绍了描述KGs特性的多关系数据的核心思想; GNN体系结构中包含的标准组件摘要; gnn最简单公式的描述，称为图卷积网络(GCNs); 讨论如何以关系图卷积网络(R-GCN)的形式扩展GCN层，对多关系数据进行编码。 知识图作为多关系数据 基本图结构包括用于连接节点的无向，无类型和唯一边。 例如，在哲学领域，我们可以定义两个由“苏格拉底”和“柏拉图”实体表示的节点之间的链接。.
图神经网络简介（一）
梦想是要有的，万一实现了呢！
01-28 6445
【原文地址】【视频讲解】 【引言】 神经网络已经适应于利用图的结构和属性。 我们探索构建图神经网络所需的组件 - 并激发它们背后的设计选择。 【注】我们可以看到每一个节点是和下层某几个节点计算而来。顶部的节点由他的邻居的节点计算，越顶层，关系的邻居越多。这也是图神经网络如何利用图的结构化信息来处理信息的。 本文是关于图神经网络的两篇 Distill 出版物之一。 查看了解图上的卷积以了解图像上的卷积如何自然地推广到图上的卷积。【有两篇关于图卷积，本篇比较基础】 ...
图神经网络的基本结构
1+1=王的博客
06-20 3949
特征矩阵则描述了节点的特征信息，是一个 n×d 的二维矩阵，其中 d 表示节点特征的维度，每行表示一个节点的特征向量。具体来说，它采用了一种类似于聚合池化的方式，将当前节点所在的子图中的所有节点向量拼接起来，然后通过一个神经网络模型（通常是多层感知机）来进行转换，并将转换后的结果作为当前节点的新特征表示。需要注意的是，不同类型的图神经网络可能具有不同的节点嵌入和图卷积设计，例如，GCN使用拉普拉斯矩阵和傅里叶变换来进行图卷积，而GAT使用注意力机制来融合不同节点之间的信息。
图神经网络框架DGL学习 102——图、节点、边及其特征赋值
wufeil7的博客
07-03 8009
101（入门）以后就是开始具体逐项学习图神经网络的各个细节。下面介绍： 1.如何构建图 2.将特征赋给节点或者边，及查询方法 这算是图神经网络最基础最基础的部分了。 一、如何构建图 DGL中创建的图的方法有： 1. 通过（u, v），u和v分别为起始节点和终止节点的列表，可以是numpy矩阵也可以是tensor 2. scipy中的稀疏矩阵，该稀疏矩阵储存这图的邻接矩阵 3. networkx图对象转化 4. 逐步添加节点与边 先导入所有可能需要的模块 import networkx as nx impor
图神经网络基础(part 1)
qq_45448654的博客
02-04 936
介绍图的基本概念与拉普拉斯矩阵、傅里叶变换等图谱论知识
图神经网络优化天气预测模型与个性化推荐系统
1. 图神经网络（GNN）概念及其在天气预测中的应用 图神经网络是深度学习的一种，专注于处理图结构化数据。GNN可以捕捉图中节点和边的复杂关系，对节点的特征进行聚合和变换，非常适合处理和分析具有复杂连接的数据，...
评论
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