GCN 第29页

CVPR 2020 | Social-STGCNN：基于图卷积的行人轨迹预测

原文链接：Social-STGCNN:ASocialSpatio-TemporalGraphConvolutionalNeuralNetworkforHumanTrajectoryPrediction代码链接

深度科研·2022-12-16 07:46

GNN/GCN快速入门教程

前言：图形神经网络(GNN)作为一种机器学习算法，可以从图中提取重要信息并进行有用的预测。随着图形变得越来越普遍、信息更丰富，人工神经网络变得越来越流行和强大，图形神经网络(GNN)已经成为许多重要应用的强大工具1图神经网络的介绍很多书把图神经网络和卷积神经网络（CNN)，循环神经网络（RNN）并列。相对于CNN和RNN而言，GNN的发展比较短但是在很多领域都有很好的应用。因为图数据有复杂的结构，

程序猿-饭饭·2022-12-15 21:26

【实战】疾病-基因与图神经网络和图自动编码器的相互作用

疾病-基因与图神经网络和图自动编码器的相互作用：学习图自编码器PyG实战1.学习内容：2.GAE自编码器：3.数据集的处理4.总结1.学习内容：图卷积GNN知识GCN作为图形自动编码器GAE架构GAE架构在疾病

battle不停息·2022-12-15 21:56

【知识图谱系列】多关系异质图神经网络CompGCN

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱CompGCN（ICLR2020）Composition-basedMulti-RelationalGraphConvolutionalNetworksCompGCN

CHEONG_KG·2022-12-15 15:18

清晰图解，一图看懂图卷积GCN、时空图卷积ST-GCN

目录1.前言2.普通卷积与图卷积2.1普通卷积2.2图卷积3ST-GCN图卷积的代码解读4.图卷积的缺陷5参考文献6联系方式1.前言本文为我阅读论文SpatialTemporalGraphConvolutionalNetworksforSkeleton-BasedActionRecognition

锌a·2022-12-15 14:13

基于知识图谱卷积网络的双端推荐算法

摘要知识图谱（KG）提供了一种数据结构来生成基于内容和协同过滤的混合推荐,但现有的基于知识图谱推荐方法对用户属性信息的考虑少于对物品属性的考虑,针对这一问题,提出了基于知识图谱卷积网络的双端推荐算法（DEKGCN

罗伯特之技术屋·2022-12-15 06:33

CentOS从零开始部署Nodejs项目

原文地址：https://buluo.cc/article/9安装nodejs、npm/cnpmyuminstall-ynodejsnpminstall-gcnpm--registry=https://

·2022-12-14 20:09

WGCNA：概念初探

简介WGCNA（weightedgeneco-expressionnetworkanalysis）即加权基因共表达网络分析，可将表达模式相似的基因进行聚类（共表达基因），并分析模块与特定性状或表型之间的关联关系

老实人谢耳朵·2022-12-14 19:46

Cytoscape网络可视化 | 以WGCNA结果的网络可视化为例

Cytoscape网络可视化|以WGCNA结果的网络可视化为例Cytoscape是一个开源的软件平台，用于可视化分子相互作用网络和生物路径，并将这些网络与注释、基因表达谱和其他状态数据进行整合。

木舟笔记·2022-12-14 19:15

SCI 文章中加权基因共表达网络分析之 WGCNA

WGCNA分析流程2008年发表在BMC之后的影响力还是很高的，先后在各大期刊都能看到，但是就其分析的过程来看，还是需要有一定R语言的基础才能完整的复现出来文章中的结果，这期就搞出来供大家参考，因为我自己尝试了一下结直肠癌的数据集

桓峰基因·2022-12-14 19:40

【vscode】——程序运行时添加环境变量

在sh脚本中定义如下例：GCN_PATH=gcn2_320x240.pt./rgbd_gcn..

农夫山泉2号·2022-12-14 17:49

基于深度学习的图像去噪方法归纳总结

去噪模型设计和选择基于深度学习的图像去噪方法基于卷积神经网络的去噪方法基于CNN自监督学习去噪基于CNN监督学习去噪基于残差网络的去噪方法CNN中图像网络分为基于生成对抗网络的去噪方法GAN基于图神经网络的去噪方法(GCDN)GNNGCNGCDN

谦谦菜鸟·2022-12-14 17:42

【TAMP-S2GCNets】【第一部分】论文学习

TAMP-S2GCNets论文学习笔记论文及代码地址读后感摘要背景TIME-AWAREMULTIPERSISTENCEEULERCHARACTERISTICSURFACES单参数持久性的介绍多参数持久性的介绍

蝉鸣的夏天·2022-12-14 13:22

用st-gcn训练自己的数据集

使用自己的数据集训练st-gcn的流程1.数据集数据集要求将相同类别的视频放到同一文件夹2.脚本运行demo_old将文件夹下所有视频转为json格式importosdataSet_path='D:/dataSet

这的东北不太冷丶·2022-12-14 13:21

ASTGCN使用的数据解释

ASTGCN（一）数据解析参考文献：https://blog.csdn.net/panbaoran913/article/details/112350218数据来源：数据来自于https://github.com

canotrny·2022-12-14 13:21

ASTGCN（二）函数解析

ASTGCN（二）函数解析数据来源：数据来自于https://github.com/Davidham3/ASTGCN，PEMS04和08都在其中有下载。

canotrny·2022-12-14 13:21

GCN论文阅读与代码梳理（3）——ASTGCN

ASTGCN包含三个独立分量，分别模拟交通流量的近期依赖性、日周期性和周周期性。主要贡献有：通过空间注意力捕捉不同位置之间的空间相关性，通过时间注意力捕捉不同时间之间的时间相关性。

fmf1287·2022-12-14 13:50

STGCN时空图卷积网络:用于交通预测的深度学习框架

本文提出了一种新的深度学习框架——时空图卷积网络(spatial-temporalGraphConvolutionalNetworks,STGCN)来解决交通域的时间序列预测问题。

lwera·2022-12-14 13:50

STGCN_IJCAI-18在服务器tensorflow 2.5.0下运行

源码github地址：https://github.com/VeritasYin/STGCN_IJCAI-18服务器环境：tensorflow2.5.0python3.8.3numpy1.19.51.首先在

峰峰封·2022-12-14 13:20

STGCN、ASTGCN、STSGCN、STFGNN模型的对比实验操作步骤

前言这是我的本科毕业设计，没有用这些大佬们发布的数据集，第一是因为老师会说没有工作量，第二是他们的数据集都是预处理好了，比如PeMSD7如果要更其它的模型比较就没办法像ASTGCN、STSGCN、STFGNN

蝉鸣的夏天·2022-12-14 12:49

7 Papers & Radios | SIGGRAPH 2020最佳博士论文；南开等提出新型自校准卷积

目录：LightGCN:SimplifyingandPoweringGraphConvolutionNetworkforRecommendationDeformableSiameseAttentionNetworksforVisualObjectTrackingBoostingFew-ShotLear

baidu_huihui·2022-12-14 07:33

计算机视觉(CV)中的注意力Attention机制

Squeeze-and-ExcitationNetworks2.CBAM:ConvolutionalBlockAttentionModule3.SelectiveKernelNetworks4.Non-localNeuralNetworks5.GCNet

breeze_blows·2022-12-14 07:03

机器学习笔记（李宏毅 2021/2022）——第三节：CNN卷积神经网络

CNN1.CNN的设计原理ReceptiveField+ParameterSharing=CNNCNN的bias要大于FC,也就是说CNN的弹性要更小，但不代表不好，因为弹性大，容易overfittingCNN

toro180·2022-12-13 17:38

配置ST-GCN环境记录【Google colab】

基于Googlecolab配置ST-GCN环境记录前言：Googlecolab为DeepLearningApplications提供了一个免费的服务器平台，虽然存在很多限制，但是对于学习深度学习而缺乏设备的同学来说简直就是雪中送炭

IT.Husky·2022-12-13 15:46

GCN（详解链接+自己笔记）

详细介绍的链接：https://zhuanlan.zhihu.com/p/71200936（有问题的欢迎评论区讨论，没问题的点个赞）以下是自己的笔记：GCN的主要公式（层特征转播公式）：（补充）度矩阵（

一只认真的菜狗·2022-12-13 10:31

GCN实现人脸聚类

首先介绍一下GCN实现人脸聚类这篇论文，然后记录一下作者开源代码的阅读心得（代码写的很nice！）

Shane Zhao·2022-12-13 10:00

【GCN基础学习】GCN基本模型概述，图卷积的基本计算方法，邻接矩阵的变换，GCN变换原理

声明：仅学习使用~Contents一、Review二、Continuelearning2.1GCN基本模型概述2.2图卷积的基本计算方法2.3邻接矩阵的变换2.4GCN变换原理一、Review【GNN基础学习

追光者♂·2022-12-13 10:59

深入浅出了解GCN原理（公式+代码）

由于课题研究需要，这星期看了几篇GCN相关的文章和书籍，并对其进行了代码复现，现将最近学习的内容做一个梳理与总结，用于日后复习巩固。由于能力有限，文章中有错误或者不当之处，还望各位读者多多指出。

Wisley.Wang·2022-12-13 10:28

GCN原理的直观解释

本文为学习笔记，整理了自己对GCN的直观理解帮助记忆，不涉及过多数学知识，若有错误和理解不到位的地方请原谅和指正。

啊喔呃鸭·2022-12-13 10:58

图卷积神经网络GCN原理+图结构学习+GAT+VGAE

id=1678519457206249337&wfr=spider&for=pcGCN是一种卷积神经网络，它可以直接在图上工作，并利用图的结构信息。

cloudless_sky·2022-12-13 10:56

基于Graph的Embedding方法概述

原文链接：基于Graph的Embedding方法概述文章目录GraphEmbedding浅层图模型DeepWalkNode2vecMetapath2vec深度图模型GCNGraphSAGE总结GraphEmbedding

梦家·2022-12-13 10:25

通俗易懂的GCN原理讲解

GCN，图卷积神经网络，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。

听弧丶·2022-12-13 10:54

FPGA入门实验-呼吸灯实现

1psmodulebreathled(inputsysclk,inputrst_n,outputled);reg[31:0]cnt_ms;reg[31:0]cnt_us;reg[31:0]cnt_ns;regcnt_s

星羽空间·2022-12-13 08:23

运行PPR-GCN版本时遇到的关于pytorch计算图的bug

目录背景1.bug2.torchviz可视化网络结构查看3.结合tensorboardX可视化4.tensorboard如何使用的介绍5.总结背景运行PPR-GCN版本时遇到的关于pytorch计算图的

snake_seeker·2022-12-13 08:43

交通流预测——day58 T-GCN：一种用于流量预测的时态图卷积网络

T-GCN:ATemporalGraphConvolutionalNetworkforTrafficPredictionI.INTRODUCTION(1)Spatialdependence(2)TemporaldependenceIII.METHODOLOGYA.ProblemDefinitionB.OverviewC.Methodology1

想太多!·2022-12-12 17:17

2s-AGCN【复现】EOFError: Ran out of input 问题解决记录（win10+pycharm）

在win10上用pycharm复现2s-AGCN论文程序，在环境和文件路径都调通之后在终端里输入pythonmain.py--config.

你个辣子·2022-12-12 13:28

知识图谱与图神经网络_biji

知识图谱嵌入模型和规则学习等更加侧重于语义和逻辑结构特征的学习，更好的知识图谱表示学习方法需要综合利用好语义，逻辑结构的特征学习和图结构的特征学习等多种方法RGCN:ModelingRelationalDatawithGraphConvolutionalNetworks

wang2008start·2022-12-12 07:47

知识图谱和图神经网络

知识图谱的抽取与构建知识图谱工程知识抽取——实体识别与分类知识抽取——实体关系抽取与属性补全知识图谱的推理常见知识图谱推理方法分类图表示学习随机游走同构图算法异构图算法图神经网络系列监督学习或半监督学习模型GCN

同道而为之。·2022-12-12 07:34

Visual Semantic Reasoning for Image-Text Matching Kunpeng(ICCV 2019)笔记

解决问题：当前图像表示缺乏与文本对应的全局语义概念具体内容：找到局部图像区域之间的连接，然后利用GCN进行推理，生成语义关系特征；利用gate

L_xj·2022-12-11 20:54

论文笔记：KDD 2020 Adaptive Graph Encoder for Attributed Graph Embedding

作者首先分析了现有的基于GCN的属性图嵌入方法的三个缺点，分别是：图卷积滤波器与权矩阵的纠缠不仅会影响性能，而且会影响鲁棒性这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特殊情况，但它们并不保留最优低通特性

饮冰l·2022-12-11 18:15

深度学习基础----GAE和VGAE

torch_geometric.nn—pytorch_geometricdocumentation只有一个地方不理解，那个KL的实现如何理解，和我在别的地方看到的不一样：按我自己的理解就是：GAE其实就是GCN

无意识积累中·2022-12-11 14:52

逻辑回归 logit

[方法转]http://www.powerxing.com/logistic-regression-in-python/http://blog.csdn.net/lipengcn/article/details

weixin_30722589·2022-12-11 10:40

注意力机制神经网络_GNN|三种注意力机制在图神经网络中的应用和总结

archwalker.github.io/blog/2019/06/01/GNN-Triplets-GAT.html声明|文章经作者授权转载引言在前两篇推文(图神经网络GraphConvolutionalNetwork(GCN

weixin_39717865·2022-12-11 03:16

GCN：分布式训练大规模深度图神经网络

图（Graph）数据在现实世界中非常常见，例如社交网络、交通网络、物理系统等等，近几年图神经网络的发展将图数据的分析与深度神经网络结合，在越来越多的领域发挥出重要的作用，例如电商推荐、生物化学结构分析、反恐反诈风险控制等等。数据规模也呈现越来越大之势，动辄上千万节点规模的图，让很多图神经网络的训练需要探寻并行计算的方式以加速。然而，图数据与视觉、自然语言等领域的数据不同，没有划分好的训练样本，很多

u013250861·2022-12-09 14:50

【论文阅读】Semi-supervised classification with graph convolutional networks

论文地址：[1609.02907]Semi-SupervisedClassificationwithGraphConvolutionalNetworks(arxiv.org)引言图神经网络GCN旨在解决的问题是

野生的野蛮人·2022-12-09 11:27

论文解读6——Semi-Supervised Classification With Graph Convolutional Networks（GCN）

目录1、文章贡献2、数学理论2.1图2.2邻接矩阵2.3度矩阵2.4拉普拉斯矩阵2.5图傅里叶变换3、GCN算法原理4、实验5、GCN局限最近想学习一下图神经网络，发现了这篇关于图卷积的文献，初读的时候发现里面涉及了很多没学过的数学理论

对流层的酱猪肘·2022-12-09 11:27

【图卷积网络】Semi-Supervised Classification with Graph Convolutional Networks

GCN是谱图卷积（spectralgraphconvolution）的局部一阶近似（localiz

gkm0120·2022-12-09 11:56

文章综述——SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

一、代码1.代码下载：https://github.com/tkipf/pygcn代码运行方式：1）cmd安装：pythonsetup.pyinstall（作用是作者ThomasKipf已经将写好图卷积网络

欧神仙crossover·2022-12-09 11:55

GCN经典论文笔记：Semi-Supervised Classification with Graph Convolutional Networks

文章目录前言一、论文拟解决问题与思想二、正文1.标识概念2.快速卷积2.1谱图卷积2.2线性模型3.半监督节点分类4.实验5.结果总结前言开始进入研究生生活啦~想研究的方向是图深度学习方向，现在对图卷积神经网络GCN

娃娃酱斯密酱·2022-12-09 11:21

论文阅读”Semi-supervised classification with graph convolutional networks“(ICLR2017)

Semi-supervisedclassificationwithgraphconvolutionalnetworks论文作者、链接作者：Kipf,ThomasNandWelling,Max链接：https://arxiv.org/abs/1609.02907代码：dgl/examples/mxnet/gcnatmaster

不吃香菜的zbw·2022-12-09 11:20

推荐频道

GCN