Graph Diffusion Convolution

最新推荐文章于 2024-07-28 16:12:36 发布
最新推荐文章于 2024-07-28 16:12:36 发布
阅读量804 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 文章标签： 深度学习 图机器学习
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/zfhsfdhdfajhsr/article/details/126940483
5 | Spatial-based GNN/convolution模型之DGC
SimonChen
07-09 583
DGC (Diffusion Graph Convolution) 其和DGCC很像，DGCC是用concate把很多层连在一起，DGC是之间add加在一起。
Diffusion-Convolutional Neural Networks
qq_45312141的博客
06-18 747
Diffusion-Convolutional Neural Networks模型详述Node ClassificationGraph Classification 模型详述 AtA_tAt​表示图的邻接矩阵，PtP_tPt​表示度归一化转移矩阵，(Pt)ij​(P_t)_{ij}​(Pt​)ij​​表示由节点iii转移到jjj的概率，可以由AtA_tAt​计算得到，可以认为是权重矩阵。 AtA_tAt​矩阵有一个性质：AtA_tAt​矩阵的幂级数Atn​A^n_t​Atn​​中的一个元素(Atn)ij(A
ADAPTIVE GRAPH DIFFUSION NETWORKS（自适应图扩散网络） 笔记
ZG
04-15 1362
虽然GDC控制最终扩散矩阵的稀疏性，但中间显式的高次幂转移矩阵仍被保持，这限制了它的可扩展性。此外，加权系数是预定义的，并且对于所有节点、通道和层都是相同的，这可能会限制模型性能。然后，图扩散用扩散矩阵代替转移矩阵，该扩散矩阵是转移矩阵的幂与沿跳标准化的加权系数的线性组合。Implicit diffusion matrix: Graph Diffusion Networks：图扩散网络（gdn）执行隐式图扩散，从每层中的节点特征或表示矩阵开始进行从右到左的矩阵乘法。HA引入了逐跳和逐节点的加权系数。
图扩散卷积：Graph_Diffusion_Convolution
热门推荐
LonghaoJia的博客
09-12 1万+
GDC（Graph diffusion convolution，图扩散卷积）是一个预处理步骤，可以应用于任何图(graph)，并与任何基于图(graph)的算法一起使用。我们进行了大量的实验(超过10万次的训练)，以表明GDC在各种各样的模型和数据集上持续地提高了预测的准确性。但要记住，GDC基本上利用了大多数图(graph)中的同质性。**同质性是指相邻节点趋于相似的属性，即物以类聚**。因此，它并不适用于每个数据集和模型。
Graph Diffusion Convolution (GDC) 项目教程
gitblog_00017的博客
04-01 651
Graph Diffusion Convolution (GDC) 项目教程 1. 项目的目录结构及介绍 gdc/ ├── .gitignore ├── LICENSE ├── README.md ├── config.yaml ├── data.py ├── fig_model.svg ├── gdc_demo.ipynb ├── gdc_poster_neurips2019.pdf ├── m...
AAAI 2021论文：Graph Diffusion Network提升交通流量预测精度（附论文下载）
李瑞远-时空数据
01-20 1891
城市流量预测作为智能交通中的一个重要问题，致力于精确预测城市中不同区域的流量信息，从而更好地实现区域间的流量管控、拥塞控制以及保障城市公共安全。本文将介绍一种基于时空图扩散网络的城市交通流量预测模型。本文工作是由京东数科硅谷研发实验室，京东城市和华南理工大学合作的一篇论文《TrafficFlow Forecasting with Spatial-Temporal Graph Diffusion Network》，目前该论文已经被人工智能领域的顶级会议AAAI 2021（CCF A类）接收。 ...
zookeeper详解（一）
qq_38377190的博客
11-20 426
一、zookeeper目录 zookeeper配置文件 其中：clientPort、dataDir、dataLogDir 需要重点注意 其中：snapCount需要注意，默认值是100000修改配置后，可对应生成 dataDir路径的快照文件。 二、zookeeper客户端 链接：https://pan.baidu.com/s/1mK1qv7NQOuetklvGFQm5IA 提取码：e9p1 界面如下，具体如何使用，大家可以去探索一下。 解压后，双击它即可（前提需要安装JDK）..
论文阅读笔记（2）：Multi-view attributed graph clustering
qq_40619273的博客
04-04 1836
论文阅读笔记（2）：Multi-view attributed graph clustering
图神经网络(GNN)：综述【从图(Graph)到图卷积(Graph Convolution)】【各种图神经网络模型的目的就是学习到图中各个节点的Embedding表示】
u013250861的博客
09-28 2406
本文试图沿着图神经网络的历史脉络，从最早基于不动点理论的**图神经网络**(Graph Neural Network， GNN)一步步讲到当前用得最火的**图卷积神经网络**(Graph Convolutional Neural Network， GCN)。 本文的提纲与叙述要点主要参考了3篇图神经网络的Survey，分别是来自： - IEEE Fellow的 [Comprehensive Survey on Graph Neural Networks](https://arxiv.org/abs/190
高光谱影像分类论文解读分享之Attention Graph Convolutional Network for Disjoint Hyperspectral Image Classification
sinat_41421587的博客
02-19 578
然而，由于CNN通过集中在中心像素的固定形状的核来学习特征，因此对分类边界区域的识别变得模糊，并且在类边界区域的图像分类中表现不佳。因此，本文将对CNN的分类边界区域进行改进本文提出了一种基于注意力图的卷积网络模型。例如，在奥格斯堡数据基准测试中，该算法的平均准确率为61.11%，比其他模型如HybriSN iFormer、Efficient Forward、GCN、CoAtNet、2D-CNN、3D-CNN和Resnet分别高出约9、13、14、15、18、24、25和29个百分点。
CGD: Multi-View Clustering via Cross-View Graph Diffusion
xie_qiuqiu的博客
03-12 1435
问题：多视角聚类之前的方法不够通用 主要内容：考虑到不同视图之间的信息互补性，创新性地提出了基于扩散模型的跨视图相似图融合算法。首先，根据各个视图生成独立的相似图矩阵，再通过挖掘不同视图之间的互补性，构造视图加权的迭代扩散模型，经过迭代更新每个视图的相似图矩阵。迭代过程中，考虑不同视图对应的相似图之间的关联。利用每个视图修正之后的相似图矩阵融合得到最终多视图共有的相似图矩阵，再利用谱聚类方法得到聚类结果，显著提升了多视图聚类算法的性能，并且该算法步骤中只涉及相似图的更新融合，计算复杂度也较低。 与以
2021EMNLP_Deep Attention Diffusion Graph Neural Networks for Text Classification阅读笔记
icestorm_rain的博客
11-22 787
1 Main Contributions Build a Deep Attention Diffusion Graph Neural Network (DADGNN) that ahcieves broad receptive fields via disffusion mechanism. Propose to decouple the propagation and transformation processes of GNNs and thus construct a GNN lay
从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二)
bbbeoy的专栏
04-01 998
在上一篇博客中，我们简单介绍了基于循环图神经网络的两种重要模型，在本篇中，我们将着大量笔墨介绍图卷积神经网络中的卷积操作。接下来，我们将首先介绍一下图卷积神经网络的大概框架，借此说明它与基于循环的图神经网络的区别。接着，我们将从头开始为读者介绍卷积的基本概念，以及其在物理模型中的涵义。最后，我们将详细地介绍两种不同的卷积操作，分别为空域卷积和频域卷积，与其对应的经典模型。读者不需有任何信号处理方面...
Diffusion扩散、图扩散
Misnearch的博客
07-28 402
加噪的过程，不断的越来越多。任意时刻的分布都可通过x0​初始状态计算出来。
图扩散卷积——热核扩散算法
Mssqj的博客
03-04 1008
具体来说，对于任意两个节点i和j，你可以计算它们的相似度为exp(-t * ||xi - xj||^2)，其中xi和xj分别是节点i和j的特征向量，t是一个控制相似度衰减速度的参数。比如，如果你想要选择每个节点权重最大的k条边，你可以对热矩阵的每一行进行排序，并只保留权重最大的k个元素。通过计算每个节点对之间的相似度，你可以得到一个5x5的热矩阵，矩阵中的每个元素表示相应节点对之间的相似度或权重。如果你想要选择权重大于某个阈值的边，你可以遍历热矩阵的所有元素，只保留那些权重大于阈值的元素。
基于HotNet2的扩散传播，竟是“图卷积”的特例
喜欢打酱油的老鸟
06-26 1002
图注：网络传播图解 作者 | Remy Lau 编译 | 琰琰 我们知道，图卷积（graph convolution ）是AI算法中主流的网络学习方法，而网络传播（network propagation）是计算生物学中的主流方法，那么，二者有何密切联系和区别？在这篇文章中，作者通过深入研究网络传播背后的理论机制，发现网络传播其实是图卷积的一个特例。 本文要点： 网络传播是计算生物学中基于GBA原理的一种主流方法。 网络传播方式的两种不同观点：随机游走（random walk）...
AAAI 2024 | 通用图扩散框架：建立不同图神经网络与扩散方程之间的关系
Paper weekly
01-23 2855
©作者 |李一博学校 |北京邮电大学来源|北邮 GAMMA Lab论文题目：A Generalized Neural Diffusion Framework on Graphs论文作者：李一博，王啸，刘洪瑞，石川作者单位：北京邮电大学，北京航空航天大学前言：近期许多研究都揭示了图神经网络（GNN）与扩散过程之间的联系，并且提出了许多基于扩散方程的 GNN。因为这两种机制紧密相关，所以我们思...
【论文理解】扩散卷积神经网络
QAQ23333333333的博客
06-24 1842
扩散卷积神经网络，个人理解笔记。
【深度学习】专题解读｜扩散模型在图上的研究进展
fengdu78的博客
12-20 3296
1. 前言 随着 Stable Diffusion 在 AI 绘图领域取得巨大成功，扩散模型 (Diffusion Model) 作为当下最强大的一类生成模型，引起了 AI 研究者广泛的兴趣。扩散模型最早可追溯到 ICML'15 的一篇论文《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》，在这篇论文中，作者首次将扩散模...
图扩散卷积
最新发布
03-11
### 图扩散卷积的理论基础 图扩散卷积（Graph Diffusion Convolution, GDC）是一种改进传统图卷积网络的方法，旨在解决图结构数据中的过平滑问题并增强模型表达能力。通过引入基于热核或个性化PageRank的概率传播过程来重新定义邻接矩阵[^1]。 具体来说，在原始图上构建一个加权无向图 \(G=(V,E)\)，其中节点集表示实体而边权重反映两两之间关联强度。对于每一对顶点 \((i,j)\in V\times V\) ，计算它们之间的转移概率： \[ p_{ij}=\frac{w_{ij}}{\sum_k w_{ik}},\] 这里 \(w_{ij}\) 表示连接 i 和 j 的边上的初始权重。接着应用指数衰减因子得到最终用于更新特征表示的新邻接关系矩阵 A' ： \[A'=D^{-\alpha}(W+I)D^{(1-\alpha)},\] 在这个公式里 D 是度数对角阵；\( W+I \) 则代表自环加入后的原生邻接表征；参数 α 控制着信息沿路径传递的速度与范围。 ### 实现方法概述 为了实现上述提到的图扩散卷积操作，可以采用如下 Python 代码片段作为指导框架之一： ```python import numpy as np from scipy.sparse import diags, csr_matrix def compute_diffusion_adjacency(adj_mat, alpha=0.15): """ 计算给定邻接矩阵下的扩散邻接矩阵 参数: adj_mat (numpy.ndarray): 原始未标准化的邻接矩阵. alpha (float): 扩散系数，默认值为0.15. 返回: diffused_adj (scipy.sparse.csr_matrix): 扩散处理过的稀疏邻接矩阵. """ n_nodes = adj_mat.shape[0] # 添加单位矩阵以考虑自循环 adj_with_self_loops = adj_mat + np.eye(n_nodes) # 构建度矩阵及其逆α次幂形式 degrees = np.array(adj_with_self_loops.sum(axis=-1)).flatten() inv_degrees_alpha = diags(degrees ** (-alpha)) # 应用扩散变换 diffused_adj = inv_degrees_alpha @ adj_with_self_loops @ \ diags(degrees**(1-alpha)) return csr_matrix(diffused_adj) if __name__ == "__main__": # 创建简单的测试案例 test_adj = np.array([[0., 1., 0.], [1., 0., 1.], [0., 1., 0.]]) result = compute_diffusion_adjacency(test_adj) print(result.toarray()) ``` 此段程序展示了如何利用 NumPy 及 SciPy 工具包有效地执行图扩散卷积运算，并将其应用于任意输入图形的数据预处理阶段中去。
评论
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