第一代GCN: Spectral Networks and Locally Connected Networks on Graphs

最新推荐文章于 2024-09-29 21:14:06 发布
原创 最新推荐文章于 2024-09-29 21:14:06 发布 · 565 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：

#机器学习 #深度学习 #人工智能

本文解读了第一代图卷积网络（GCN）的理论基础，包括Spectral Networks和Deep Locally Connected Networks在图谱上的应用，详细推导了Spectral GCN的原理。通过论文[1][2][3]探讨了其在节点分类和图结构分析中的关键作用。
GGNN和GCN的几篇论文笔记
03-10
GGNN和GCN的几篇论文笔记，介绍常用的两种图神经网络。个人笔记。
【图神经网络论文阅读笔记：GCN-1】Spectral Networks and Locally Connected Networks on Graphs
johnsonwang的博客
12-25 1148
【论文阅读笔记】Spectral Networks and Locally Connected Networks on Graphs
paper reading：[第一代GCN] Spectral Networks and Deep Locally Connected Networks on Graphs
真理无穷，进一步有进一步的欢喜
01-30 3777
paper reading - [第一代GCN] Spectral Networks and Deep Locally Connected Networks on Graphs 图卷积的一些知识： 图卷积网络概述 graph中卷积的实现 图卷积神经网络详述 知乎一个比较不错的回答 文章目录paper reading - [第一代GCN] Spectral Networks and Deep L...
GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】
u013250861的博客
10-31 1422
空域卷积非常直观地借鉴了图像里的卷积操作，但缺乏一定的理论基础。而频域卷积则不同，相比于空域卷积而言，它主要利用的是**图傅里叶变换(Graph Fourier Transform)**实现卷积。简单来讲，它利用图的**拉普拉斯矩阵(Laplacian matrix)**导出其频域上的的拉普拉斯算子，再类比频域上的欧式空间中的卷积，导出图卷积的公式。虽然公式的形式与空域卷积非常相似，但频域卷积的推导过程却有些艰深晦涩。接下来我们将攻克这部分看起来很难的数学公式，主要涉及到。
1.《Spectral Networks and Deep Locally Connected Networks on Graphs》论文理解
moster.YC的博客
04-06 3457
在欧式空间中使用的CNN卷积具有平移不变性，权值共享，局部连接，分层次表达的特点；但是图网络是一种非欧式结构的数据，网络是不规整的关系型数据，所以其不存在平移不变形（每个节点的周围邻居数不固定），导致图网络无法使用传统的CNN。不使用卷积核卷积的话，只能按照全连接网络的方式进行线性映射，这样又将失去权值共享，局部连接，分层次表达这些优势，需要大量的参数。 在《Spectral Networks a...
论文笔记：Spectral Networks and Deep Locally Connected Networks on Graphs
Zhou_Dao的博客
06-04 5852
这篇论文发表在2014 ICLR会议，是第一篇研究将CNN泛化到非欧式空间的论文，参考资料1直接称之为“第一代GCN”。 主要贡献： 将CNN泛化到非欧几里得空间，并提出两种并列的model，分别是基于spatial和基于spectral。 1. Spatial Construction: 进行K层聚类，每一层中又会有若干个“filter”。每层与每层之间的神经元数目是通过聚类...
【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）
cziun的博客
07-12 1346
【论文阅读】Spectral Networks and Deep Locally Connected Networks on Graphs（图的频谱网络和深度局部连接网络）摘要1 引言2 空间结构2.1 节点的邻域2.2 图的多分辨率分析2.3 深度局部连接网络 摘要 卷积神经网络在图片和音频的识别任务中表现良好，是充分利用了信号在其域中的局部平移不变性。但由于图是非欧氏空间的数据结构无法进行传统意义上的卷积操作，同时又希望卷积的思想可以应用在图结构上。于是作者基于此提出了两种结构，一种基于域的层次聚类(空
Spectral Networks and Deep Locally Connected Networks on Graphs翻译
WangKingJ的博客
02-12 945
Aabstract   卷积神经网络在图像和音频识别任务中是非常有效的架构，因为它能够利用信号类在其域中的局部平移不变性。在本文中，我们考虑在没有平移作用的情况下，CNNs可以推广到一般 域上定义的信号. 特别地，我们提出了两种结构，一种基于域的层次聚类，另一种基于图拉普拉斯谱。我们通过实验证明，对于低维图，学习卷积层是可能的，它有许多与输入大小无关的参数，从而得到高效的深度架构。 1 Intro...
Spectral Networks and Deep Locally Connected Networks on Graphs 论文阅读
weixin_44576543的博客
12-17 1916
Spectral Networks and Deep Locally Connected Networks on Graphs Code link: 摘要：CNN在图片识别与语音等任务上取得很大的成功，由于其具有局部转变不变性，在本文中，探索一种可能的CNN应用于更多的领域，特别的，我们提出一种基于层次聚类的框架，另外是基于图拉普拉斯谱图的，展示了低维图上使用少量参数来运用卷积层，表现很好的性...
图卷积神经网络-第一代GCN
qq_33936667的博客
07-24 732
Spectral Networks and Deep Locally Connected Networks on Graphs 论文地址 摘要 卷积神经网络是图像和音频识别任务中非常有效的结构，因为能够利用在它们领域的局部平移不变性。 在本文中，我们考虑了将CNN泛化到更一般的域上。 特别是，我们提出了两种构造 一个基于域的分层聚类，另一个基于图Laplacian的谱分解。 我们通过实验表明，对于低维图，可学习的卷积层具有与输入大小无关的参数，从而能够生成高效的深层结构。 通过拉普拉斯谱扩展卷积 直接进入
Spectral Networks and Deep Locally Connected Networks on Graphs
qq_45312141的博客
06-07 706
Spectral Networks and Deep Locally Connected Networks on Graphs空域构建（Spatial Construction）深度局部连接网络多层空域卷积频域构建（Spectral Construction）三级目录 空域构建（Spatial Construction） 深度局部连接网络 多层空域卷积 deep locally connect network（spatial construction从空间
[图卷积网络]Spectral Networks and Deep Locally ConnectedNetworks on Graphs
最新发布
wwwwwsssllll的博客
09-29 1121
本文为图卷积网络的肇始论文，CNN在处理图像和音频等格点数据上表现优异，但在图等非欧几里得结构数据中，CNN的平移不变性难以直接应用。为了克服这一问题，作者提出了两种将CNN推广到图数据上的方法：空间构造（Spatial Construction）：谱构造（Spectral Construction）：在传统的CNN中，卷积操作依赖于输入数据的格点结构（如图像中的2D像素网格）。CNN通过在局部的邻域内共享参数，实现了有效的局部模式学习。然而，在图结构上，数据并不一定具有规则的格点排列，因此标准的CNN方法
[论文笔记] [2014] Spectral Networks and Deep Locally Connected Networks on Graphs
Alexzhuan
05-25 1171
这篇论文首次提出了基于空域（Spectral-domain）和基于频域（Spatial-domain）的图上卷积神经网络。 从题目可以看出，这篇论文分为两部分，一部分是Deep Locally Connected Networks，一部分是Spectral Networks。前者是基于空域角度去设计图卷积的，而后者是基于频域角度设计图卷积。 Spatial Construction 空域上的工作，作者的意图是设计一种卷积适用于拓扑结构，且具备卷积的性质（局部连接和层级hua） ...
【谱域图卷积神经网络】(二) 全网最简单细致版本讲解
WANGYANG的博客
02-27 2227
对传统谱域图神经网络进行回顾，对后续的衍生模型进行系统化的讲解，梳理时间线以及优缺点必要性分析。
GCN鼻祖paper笔记
w55100的博客
11-19 1505
https://arxiv.org/pdf/1609.02907.pdf GCN，论文首发于2016，被ICLR2017接收。 采用的核心原理还是谱方法的卷积，spectral convolution。 结合了一项重要工作，利用切比雪夫多项式对谱卷积的计算复杂度进行化简。 化简部分我写在了这里《图上的卷积》 回顾谱卷积定义式。 gθ⋆x=UgθUTx≈∑i=0K−1[θkTk(L^)]xg_{\theta}\star x =Ug_{\theta}U^{T}x \approx\sum_{i=0}^{K.
图神经网络学习(二)-GCN的进化史
rl小透明
05-27 810
1.卷积与GCN 在这里，需要注意的GCN中的等式证明部分 需要证明下面的两个式子相等 2.第一代GCN 3.第二代GCN
图卷积神经网络GCN---谱图卷积层代表作
青山白云间
03-31 1301
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...
Text GCN：图卷积网络在文本分类中的应用与实现
总结来说，text_gcn是一种将图卷积网络应用于文本分类的模型，该模型通过构建图结构来捕捉文本数据的结构特性，使用图卷积操作来学习节点的表示，并且具有良好的泛化能力。在实现该模型时，需要准备好环境，并遵循...
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