一应用领域道路交通，动态预测自动驾驶，无人机场景化学，医疗等场景物理模型相关二图基本模块定义VVertex点EEdge边（向量）UGlobal图（例如：全局向量）无论事多么复杂，我们利用图神经网络的目的就是整合特征有向图出度

GNN学习笔记从环境搭建开始（无sudo权限）1、python3.7虚拟环境的搭建2、在该环境下安装包3、环境的激活、使用和退出从环境搭建开始（无sudo权限）1、python3.7虚拟环境的搭建搭建目标

conda-script.py[-h][--no-plugins][-V]COMMAND...conda-script.py:error:arg-CSDN博客参考教程【精选】手把手教你在windows10安装GNN

导读图神经网络（GNN）已成为处理和学习图数据的强大工具，在社交网络分析、推荐系统、智慧城市和生物信息等多个领域带来了革命性的进展。图神经网络的核心优势在于其揭示图数据中复杂关联性的能力。

1Motivation在图神经网络中，如何像在欧式空间一样进行卷积操作，其重要的问题在于如何更新当前位置的信息。其每个位置（或者叫节点node）的更新方式如下所示。

文章目录1.介绍2.主要问题3.深度学习如何应用在图结构中4.课程大纲学习一下斯坦福CS224W的图机器学习（2021年），并做一下学习笔记，主要是研究方向与图神经网络相关。

今天想和大家分享的是图卷积神经网络。随着人工智能发展，很多人都听说过机器学习、深度学习、卷积神经网络这些概念。但图卷积神经网络，却不多人提起。那什么是图卷积神经网络呢？简单的来说就是其研究的对象是图数据（Graph），研究的模型是卷积神经网络。为什么有图卷积神经网络自2012年以来，深度学习在计算机视觉以及自然语言处理两个领域取得了巨大的成功。和传统方法相比，它好在哪里呢？假设有一张图，要做分类，

文章名称【KDD-2021】【BeijingUniversityofPostsandTelecommunications/SingaporeManagementUniversity】Pre-trainingonLarge-ScaleHeterogeneousGraph核心要点文章旨在解决现有图预训练任务只针对同构图的问题，提出了大规模异构图预训练框架PT-HGNN，利用节点级别和子图级别的预训练任

作者：范少华研究方向：图神经网络论文标题：基于学习解纠缠因果子结构的图神经网络去偏论文链接：https://arxiv.org/pdf/2209.14107.pdf    https://doi.org

1图和图神经网络可视化图和图神经网络（GraphNeuralNetworks，GNNs）的可视化对于理解和分析复杂图结构和模型的工作非常重要。

文章名称【KDD-2021】【BeijingUniversityofPostsandTelecommunications/SingaporeManagementUniversity】Pre-trainingonLarge-ScaleHeterogeneousGraph核心要点文章旨在解决现有图预训练任务只针对同构图的问题，提出了大规模异构图预训练框架PT-HGNN，利用节点级别和子图级别的预训练任

基于图片内容的处理任务主要包括目标检测、图片分割两大任务。目标检测：精度相对较高，主要是以检测框的方式，找出图片中目标物体所在坐标。模型运算量相对较小，相对较快。图片分割：精度相对较低，主要是以像素点的集合方式，找出图片中目标物体边缘的具体像素点。模型运算量相对较大，相对较慢。目标检测单阶段：也叫Region-free方法，直接从模型获得预测结果，有YOLO、SSD、RetinaNet等。两阶段：

01京东AI项目实战课程安排覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。

像BERT、GPT-3、图神经网络、知识图谱等技术应运而生。我们正处在信息爆炸的时代、面对每天铺天盖地的网络资源和论文、很多时候我们面临的问题并不是缺资源，而是找准资源并高效学习。

本文总结之日CS224WWinter2021只更新到了第四节，所以下文会参考2021年课程的PPT并结合2019年秋季课程进行总结以求内容完整课程主页：CS224W:MachineLearningwithGraphs视频链接：【斯坦福】CS224W：图机器学习(中英字幕|2019秋)1引言前面两节，讨论的网络的整体统计信息，这一节开始聚焦网络中的一些特殊结构（子图）和其中节点的的角色。2一些新概念

GNN学习笔记GNN从入门到精通课程笔记3.1GCN(ICLR'17)Semi-supervisedClassificationwithGraphConvolutionalNetwork(ICLR'17

图分类研究综述王兆慧,沈华伟,曹婍,程学旗.图分类研究综述.软件学报,2022,33(1):171–192.http://www.jos.org.cn/1000-9825/6323.htm图分类问题：给定一组图,图分类的目标是学习图和对应类别标签的映射关系,并预测未知图的类别标签。Chapter2基于图相似度计算的图分类作者把基于图核的方法和基于图匹配的方法，都归类为基于图相似度的计算。（1）基于

图神经网络（GNN）是深度学习领域的一个重要模型，已广泛应用于推荐系统、计算机视觉、自然语言处理、分子分析、数据挖掘和异常检测等现实场景。

神经网络参数初始化神经网络结构图神经网络的参数主要是权重（weights）：W，和偏置项（bias）：b1)0初始化不管是哪个神经元，它的前向传播和反向传播的算法都是一样的，如果初始值也一样的话，不管训练多久

解决在使用torch-geometric构建图神经网络出现module‘torch.nn.parameter’hasnoattribute'UninitializedParameter’错误。

在具有文本节点属性的图形上进行学习的最流行的流程主要依赖于图神经网络（GNN），并利用浅层文本嵌入作为初始节点表示，但这在通用知识和深入语义理解方面存在局限性。

GraphWaveNetforDeepSpatial-TemporalGraphModeling一作者介绍本文的作者是悉尼科技大学的ZonghanWu博士，师从IEEEmemberShiruiPan，作者还发表了一篇GNN

遥感图像分类法图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积

关键问题1，GCN是否可以用于有向图？图卷积分为两大类，一类是基于谱方法（spectralmethods），就是将图信号进行傅里叶变换在频域进行研究，以GCN为代表的模型，但是谱方法有一个理论要求就是拉普拉斯矩阵L要求为对称矩阵，L=D-A，即图为无向图才能满足；二类，是基于空域的研究方法（spatialmethods），以GraphSage为代表的模型，空域是不分有向图和无向图的，均可以计算；因

GNN的常见模块：(1)传播模块(PropagationModule)。传播模块用于在节点之间传播信息，以便聚合邻居节点的特征信息和拓扑信息。(2)采样模块(SamplingModule)。

图神经网络的核心是吸周围之精华，再叠加自身，因而需要改进来保留自身特征。如何做？方法是给每个节点添加一个自环，即将邻接矩阵对角线值各加1，此时用表示，做到了聚合邻居节点并保留自身信息。

这是一个新的主要版本，包含各种系统优化、新特性和增强功能、新模型和错误修复。Thisisanewmajorreleasewithvarioussystemoptimizations,newfeaturesandenhancements,newmodelsandbugfixes.重要改变，在pypi安装上进行了与以往安装的区分。目录Important:ChangeonPyPIInstallation

目录线性模型分类与回归感知机模型激活函数维度诅咒过拟合和欠拟合正则数据增强数值稳定性神经网络大家族CNNRNNGNN（图神经网络）GAN线性模型向量版本y=⟨w,x⟩+by=\langlew,x\rangle

随着大数据的发展，图神经网络，基于图的团伙发现算法，聚集算法等越来越多的应用到业务之中，仅仅从数据角度来看图的结果比较晦涩难懂，本文介绍一种java的可视化图Graph的工具-jung2，对于英文较好的同学

数据完全存于内存的数据集类InMemoryDataset基类简介构造函数的输入参数：root：根文件夹，它指示数据集应该被保存在哪里。在根目录下至少有两个文件夹：1.一个文件夹为raw_dir，它用于存储未处理的文件，从网络上下载的数据集文件会被存放到这里。2.另一个文件夹为processed_dir，处理后的数据集被保存到这里。transform：可以为None，transform函数接受Dat

目录1.邻近算法K-NearesNeighbor(KNN)1.1KNN算法核心思想1.2KNN算法步骤1.3KNN预测分类2.图神经网络GraphNeuralNetworks(GNN)2.1图的基本定义

本文的所有图表均来自于https://distill.pub/2021/gnn-intro/图神经网络：GNN首先我们需了解图结构是什么？

1.图神经网络介绍近年来，对于图结构的数据，如社交网络中的人际关系、化学中的分子相互作用、三维点云数据以及数据中各个单元之间的结构，研究人员借鉴了卷积神经网络、循环神经网络和深度自编码器的思路，设计了专门用于处理图结构数据的神经网络

©作者|社媒派SMP来源|社媒派SMP本文是SIGKDD2022入选论文“GPPT:GraphPre-trainingandPromptTuningtoGeneralizeGraphNeuralNetworks”的解读。该论文由吉林大学计算机科学与技术学院王英教授课题组完成。本文首次提出“Pre-training、Prompt、Fine-tuning”的概念将下游任务进行重构，使其具有与Prete

跑图神经网络的时候遇到了如下问题libGLerror:failedtoloaddriver:irislibGLerror:MESA-LOADER:failedtoopeniris:/usr/lib/dri

论文地址：https://arxiv.org/pdf/1901.00596.pdf摘要深度学习近年来彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常表示在欧几里德空间中。然而，越来越多的应用程序从非欧几里德域生成数据，并表示为具有复杂关系和对象之间相互依赖性的图。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图形数据的深度学

文章还提出了一种新的图神经网络，称为spatialtransformer，利用自注

CNN常见结构：1.1卷积层1.1.1卷积的定义注意点1:卷积层包括若干个卷积核，每个卷积核都是3维矩阵，其中通道数与输入通道数需保持一致。注意点2:每个滤波器对应一个偏置权重，有N个卷积核则对应N个偏置权重。1.1.2卷积的运算过程：1)feature_size运算公式：2)feature_number运算公式：3)参数数量运算公式：1.1.31✖️1卷积：1.2全连接层1.3池化层：1.3.1

[1]J.Ye,J.Zhao,K.Ye,andC.Xu,‘HowtoBuildaGraph-BasedDeepLearningArchitectureinTrafficDomain:ASurvey’,IEEETrans.Intell.Transport.Syst.,vol.23,no.5,pp.3904–3924,May2022,doi:10.1109/TITS.2020.3043250.这是一篇

[1]X.Wangetal.,‘ScalableResourceManagementforDynamicMEC:AnUnsupervisedLink-OutputGraphNeuralNetworkApproach’.papercode：GitHub-UNIC-Lab/LOGNN:Thisisthecodeforpaper"ScalableResourceManagementforDynamicM

文章目录摘要1引言2异构网络挖掘3异构网络表示3.1异构网络嵌入3.2异构图神经网络3.3知识图谱与属性网络3.4应用4挑战、方向和开源数据4.1未来方向避免设计元路径多感官（Multi-sense）表示异构

本文总结之日CS224WWinter2021只更新到了第四节，所以下文会参考2021年课程的PPT并结合2019年秋季课程进行总结以求内容完整课程主页：CS224W:MachineLearningwithGraphs视频链接：【斯坦福】CS224W：图机器学习(中英字幕|2019秋)1引言初步了解一个人，我们通常会问其身高、年龄、体重等信息。那么，要了解一个图Graph我们需要关注哪些信息呢？这就

题目：QA-GNN：使用语言模型和知识图进行问答推理作者：MichihiroYasunaga、HongyuRen、AntoineBosselut、PercyLiang、JureLeskovec发布地方：

预测有机反应产物是有机化学的一个基本问题。基于成熟有机化学知识，化学家现在能够设计实验来制造用于不同目的的新分子。但是，它需要经验丰富的专业化学家来准确预测化学反应的结果。为了进一步帮助有机化学家并在数字化学时代实现全自动发现，机器智能可以准确预测有机反应的产物，大大加快新分子的设计过程。最近，已经提出了几种基于机器学习的方法来预测有机反应产物，但仍然需要改进反应预测模型才能达到足够的准确性，与普

《原始论文：SpectralNetworksandLocallyConnectedNetworksonGraphs》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(GraphFourierTransform)**实现卷积。简单来讲，它利用图的**拉普拉斯矩阵(Laplacianmatrix)**导出其频域上的的拉

1.数据的准备DCRNN的github项目有完整的数据GraphWavenet提供的数据缺少'/data/sensor_graph/adj_mx.pkl'2.engine.train与engine.eval的区别区别仅在于model.train()与model.eval()具体区别见https://blog.csdn.net/qq_43118572/article/details/11861509

，查看数据集下载链接3.2放置到对应文件夹下3.3重新运行之前写的程序4.一点感慨1.torch_geometric.data介绍torch_geometric，简称pyg，是基于pytorch实现的图神经网络库

https://pytorch-geometric.readthedocs.io/en/latest/index.htmlINTRODUCTIONBYEXAMPLEhttps://pytorch-geometric.readthedocs.io/en/latest/notes/introduction.htmlAgraphisusedtomodelpairwiserelations(edges)b

目录1.重置label取值范围2.根据多个labelstensor从整体label数据中提取特定数据。3.构建GeometricGATConv和GCNConv的edge_index4.为GCNConv从全部edgeindex抽取指定的batchedgeindex4.1extractbatchedgeindexforfullnodes4.2extractbatchedgeindexforbatchn

1.BP时注意lossvalue避免构建的GNNmodel在BP时陷入梯度消失或梯度爆炸，这都会导致modelperformance很差。修正方法：Batchnormalizationtorch.nn.BatchNorm1d()激活函数torch.nn.ELU();torch.nn.ReLU();torch.nn.Sigmoid()目标时将BPlossvalue限定在20-40之间Notethat