斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习

记录部分科研文献阅读相关内容【划重点】，主题“图神经网络”，仅学习使用。

OutlineMainquestiontoday：给定一个部分节点有标签的网络，如何为网络中的剩余节点分配标签？Collectiveclassification：为网络中所有节点分配标签的思想，直觉上是利用网络中存在的关联（Correlations）。本次课程将讨论以下三类方法：RelationClassificationIterativeClassificationBeliefPropagati

前言WSDM2019关于基于图神经网络进行会话级的社交推荐任务关键词：动态图注意力网络session-based社交推荐摘要像Facebook和Twitter这样的在线社区非常流行，已经成为许多用户日常生活中不可或缺的一部分

DIKW图神经网络功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的

asokraju.medium.com一、说明本文将引导您了解图神经网络(GNN)并使用TensorFlow实现该网络。在后续的文章中，我们讨论GNN的不同变体及其实现。

1.图神经网络（GNN）图神经网络的概念最早在2005年提出。2009年Franco博士在其论文[2]中定义了图神经网络的理论基础。本文中所提到的图均指图论中的图(Graph)。

2021】【SunYat-senUniversity/SeaAILab/TencentJarvisLab,】PrototypicalGraphContrastiveLearning核心要点文章旨在解决现有图神经网络依赖标注数据

社区检测社区是许多网络的特性，一个特定的网络可能有多个社区，社区内的节点之间连接紧密。网络节点在社区内部形成紧密的连接，而在社区之间则形成松散连接。社区检测技术对于社交媒体算法来说非常有用，可以发现具有共同兴趣的人并将他们紧密连接在一起。社区检测也可以应用于机器学习中，用于检测具有相似属性的群组，并出于各种原因提取这些群组。例如，这种技术可以用于发现社交网络或股票市场中的操纵性群体。EdgeOve

无特征节点的特征表示节点度数degreepagerank以pagerank起源的应用场景为例，不是所有的网站都是同等重要的，所以需要根据结构信息对节点进行排序。直觉上，如果一个网站它有很多链接，它就很重要，举例来说，一个网站有很多射入链接，那么，它比一个只有一个射入链接的网站重要，但是对于射入网站的网站的重要性也是不同的。一个重要网址的给到的vote分值是很高的，链接的vote值正比于它的来源网站

通过微观网络模型和宏观分支过程描述的扩散动态可能因聚结而不同;从零开始学习识别高介数中心性节点：一种新的图神经网络方法;使用boutique进行社交媒体数据的多模型调查探索——以公共卫生为例;检测网络中时间序列数据的路径异常

GNN图解未来:揭秘图神经网络的无限可能概述神经网络的发展&图数据的应用GNN基础图的基本结构图的分类无向图有向图加权图非加权图节点表示邻接矩阵聚合函数GNN是如何工作的消息传递机制原始GNNGCNGAT

SCARLET：基于可解释注意的图神经网络，用于虚假新闻传播者预测;对称和耗散作为社会流动的基本机制，解释了移民模式的距离尺度;随机选择可以促进人工主体解决集体网络着色问题;使用张量特征值分解的超边预测

知识图谱本身是一种图结构数据，采用图构建知识和数据之间的关联，应用图神经网络技术，有望结合知识和数据，实现更好的可解释和可信人工智能技术。

边分类/回归的训练与节点分类/回归的训练类似，但还是有一些明显的区别。定义邻居采样器和数据加载器用户可以使用和节点分类一样的邻居采样器。sampler=dgl.dataloading.MultiLayerFullNeighborSampler(2)想要用DGL提供的邻居采样器做边分类，需要将其与:class:~dgl.dataloading.pytorch.EdgeDataLoader结合使用。:

文档>教程6：图神经网络基础知识：https://lightning.ai/docs/pytorch/stable/notebooks/course_UvA-DL/06-graph-neural-networks.html

此外，DiffHopp使用了更具有几何表达力的图神经网络GVP模型。DiffHopp模型针对给定蛋白质-配体复合物，使用等变

文章目录一、项目介绍二、BaseLine内容注解1.Config部分注解2.数据读取与处理部分2.1边数据的加载与处理2.2数据的完整加载与处理2.3数据读取与分割3.模型加载部分4.模型训练过程三、model.py的内容解析1GCN模型代码讲解2.GAT模型代码讲解3.APPNP模型代码讲解3.1SGC模型代码讲解——(APPNP模型补充)4.GCNII模型代码讲解四、build_model.p

论文地址：PopularityPredictiononSocialPlatformswithCoupledGraphNeuralNetworks文章概览作者提出了一种耦合图神经网络（CoupledGraphNeuralNetwork

整理了GAT（ICLR2018GraphAttentionNetwork）论文的阅读笔记背景图注意力网络的构建模块与其他模型对比实验背景  图神经网络的任务可以分为直推式(Transductive)学习与归纳

什么是图也许我们从来没有意识到，我们正生活在一个充满图的世界。例如，我们最熟悉的社交网络（如下图所示），就是一个最典型的图。在计算机领域，我们通常用图指代一种广义的抽象结构，用来表示一堆实体和它们之间的关系。实体被叫作图的节点，而实体和实体之间的关系构成了图的边。严格来说，一个图G={V,E}包含一个节点集合V和一个边的集合E。以社交网络为例，用户可以作为节点，而用户和用户之间的朋友关系可以作为边

数据集1、脑电项目探索和实现(EEG)(上)：研究数据集选取和介绍SEED相关论文阅读分析：1、EEG-SEED数据集作者的—基线论文阅读和分析2、图神经网络EEG论文阅读和分析：《EEG-BasedEmotionRecognitionUsingRegularizedGraphNeuralNetworks

谷歌旗下的AI研究机构DeepMind在全球顶级学术期刊《Nature》上发布了一篇论文，通过深度学习、计算机视觉、大数据等，开发了一个名为GNoME的图神经网络模型，主要用于材料发现。

基于图神经网络的节点表征的学习遵循消息传递范式：在邻居节点信息变换阶段，GCN与GAT都对邻居节点做归一化和线性变

图神经网络在本文中，我们将图神经网络划分为五大类别，分别是:图卷积网络(GraphConvolutionNetworks,GCN)、图注意力网络(GraphAttentionNetworks)、图自编码器

为解决上述问题，本文提出了一种多重注意力指导下的异构图神经网络，从点−线−网3个角度学习异构节点嵌入向量。

2.4在机器学习中使用图形的挑战3.图神经网络3.1GNN的基

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达用图神经网络(GNN)做CV的研究有不少，但通常是围绕点云数据做文章，少有直接处理图像数据的。

AGSTN：学习注意力调整后的图时空网络，用于短期城市传感器值预测;BridgeDPI：预测药物-蛋白质相互作用的新型图神经网络;COVID-19期间出口限制对全球个人防护设备贸易网络的影响;多尺度城市动力学模型尺度之间的强耦合

PR-GNN原文链接：https://arxiv.org/pdf/2007.14589.pdf作者提出PR-GNN，一种端到端的能够解释fMRI的ROI的图神经网络。

WeChatSearchApplicationDepartment,TencentInc.】ContrastivePre-TrainingofGNNsonHeterogeneousGraphs核心要点文章旨在解决现有预训练图神经网络方法仅仅适用于同质图

问题：使用Pytorch的PyG搭建图神经网络报错cannotimporttopk,filter_adjfromtorch_geometric.nn.pool.topk_pool解决版本问题语法变化topk

图神经网络概念https://cloud.tencent.com/developer/article/2334518?

概念图神经网络（GraphNeuralNetworks，GNNs）是一类专门用于处理图数据的神经网络模型。它们的设计旨在对图结构进行学习和推断，适用于节点分类、链接预测、图生成等任务。

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。

神经网络可以分为三种主要类型：前馈神经网络、反馈神经网络和图神经网络。

6月26日，亚马逊云科技CommunityDay在上海举办。亚马逊云科技首席开发者布道师、资深数据科学家、资深应用科学家以及亚马逊云科技MachineLearningHero悉数到场，针对AI开源的技术趋势及落地实践项目进行分享和讨论。第一期：大咖眼中的AI开源｜王宇博：四位一体，构建开源机器学习生态系统第二期：大咖眼中的AI开源｜王敏捷：深图在人工智能中的探索和研究第三期：大咖眼中的AI开源|吴

背景：使用SAGEConv卷积层的图神经网络，网络架构如下原因：我在卷积层之前改变了特征矩阵的维度，原本为[172,1,32]现在改为了[172,2,32]。

CombiningGraphNeuralNetworkswithExpertKnowledgeforSmartContractVulnerabilityDetection摘要1.介绍2.相关工作2.1智能合约漏洞检测2.2图神经网络

随着计算机行业和互联网时代的不断发展与进步，图神经网络已经成为人工智能和大数据的重要研究领域。

本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释，图深度学习背后的思想是学习具有节点和边的图的结构和空间特征，这些节点和边表示实体及其交互。

引言图神经网络GNN是深度学习的一个分支。

9月2日晚7:30-8:30AITIME特别邀请了UCLA的胡子牛博士，为大家带来分享——图神经网络及其自监督学习哔哩哔哩直播通道★嘉宾简介★胡子牛：加利福尼亚大学洛杉矶分校第三年博士生，在YizhouSun

目录实践中的GNN层GNN的过渡平滑问题（节点嵌入趋同）增强GNN的表达能力增加跳跃连接摘要：GNN层的变换，over-smoothing问题以及解决办法（增强GNN的表达能力、增加跳跃连接）在实际应用中，也就是在编程的时候，基本就可以把GNN层看作是CNN层，可以往上面加上各种在深度学习中应用的模块。实践中的GNN层BN以及dropout之类的具体操作，参考神经网络中的内容。后面自己补一个，神经

由于图结构的不规则性，现有的解释方法难以适用于图神经网络。【嵌牛鼻子】人工智能、GNN【嵌牛提问】为什么很难用现有的方法来解释GNN?【嵌牛正文】Explainability增加可靠性最近，人工

我们使用图神经网络来生成节点表征，并通过基于监督学习的对图神经网络的训练，使得图神经网络学会产生高质量的节点表征。高质量的节点表征能够用于衡量节点的相似性，同时高质量的节点表征也是准确分类节点的前提。

DGL一个基于pytorch的图神经网络库使用方法importdglimporttorchasthg=dgl.graph(([0,0,1,5],[1,2,2,0]))#6个节点，4条边上面为创建图的过程

在这项研究中，我们通过以下方式来应对这些挑战：（1）使用图神经网络（GNN）表示脑电图中的时空依赖性，并提出两种捕捉电极几何形

作为DNN对图的扩展，图神经网络（GNN）已被证明继承了该漏洞。对手可