文章名称【ICML-2021】【TexasA&MUniversity/TheUniversityofTexasatAustin】GraphContrastiveLearningAutomated核心要点文章旨在解决现有GraphCL方法需要依赖领域知识和大量的试验来挑选图增广方法，才能从无标签的图数据上学习可迁移的，鲁棒知识的问题，提出了JOAO学习框架，把图自监督学习形式化为bi-levelmi

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、图神经网络

综述;基于图像的社会感知：将AI和众包结合挖掘Twitter的政策遵守指标;赫格曼·克劳斯动力学;传播和干预策略的COVID-19接触图流行病建模;流行病学的时变SI模型及其在Covid-19中的应用;图神经网络的传播模型搜索

图Transformer是一种结合了Transformer模型和图神经网络（GNN）的框架，用于在图形结构数据上执行预测任务。

SwinTransformer等）、生成式模型（变分自编码器VAE、生成式对抗网络GAN、扩散模型DiffusionModel等）、目标检测算法（R-CNN、FastR-CNN、FasterR-CNN、YOLO、SDD等）、图神经网络

读paper的目的：看懂GNN如何和RL结合的方法。本文的GNN是HGNN，RL用的PPO算法。主要是看懂GNN和RL如何连接起来以及如何训练的。

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、图神经网络

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、图神经网络

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、图神经网络

SwinTransformer等）、生成式模型（变分自编码器VAE、生成式对抗网络GAN、扩散模型DiffusionModel等）、目标检测算法（R-CNN、FastR-CNN、FasterR-CNN、YOLO、SDD等）、图神经网络

DataWhale开源学习资料:https://github.com/datawhalechina/team-learning-nlp/tree/master/GNN进入实战阶段~~~数据准备Cora是一个论文引用网络

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、图神经网络

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、图神经网络

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、图神经网络

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、图神经网络

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、图神经网络

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。

虽然现有文献设计了许多基于RNN、GNN或Transformer的复杂架构（注意力机制的计算太占用资源，速度慢），但提出了另一种基于多层感知器（MLP）的方法，其结构简单、复杂度低且

©作者|焦子豪单位|南京邮电大学来源|MINDLaboratory论文标题：FromStarstoSubgraphs:UpliftingAnyGNNwithLocalStructureAwareness收录会议：ICLR2022论文链接：https://arxiv.org/pdf/2110.03753.pdf代码链接：https://github.com/LingxiaoShawn/GNNAsKe

PiPAD:PipelinedandParallelDynamicGNNTrainingonGPUsPiPAD:基于GPU的流水线并行动态GNN训练[Paper]PPoPP’23摘要提出了PiPAD,一个流水线并行的

文章目录前言论文结构学习目标泛读研究背景研究意义摘要章节精读细节一：GRU模型回顾细节二：GGNN模型PropagationModeloutputmodel模型框架GGNN模型特点细节三：GGS-NNs模型细节四：bAbI任务简介实验方法细节五：RNN和LSTM分析实验结果及分析总结复现数据集main.pymodel.pynote1note2note3note4dataset.pytrain.py

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)。

图的基本概念学习GNN之前需要掌握图的基本概念，这些概念基本都在数据结构这门课中涉及，需要再简单过一遍。

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

GNNAdvisor:AnAdaptiveandEfficientRuntimeSystemforGNNAccelerationonGPUsGNNAdvisor:GPU上GNN加速的自适应高效运行时系统

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。

写在前面：下午浑浑噩噩，泡杯茶，读篇论文吧首先说明，时间有限没有那么精力一一回复了，对不起各位了TAT文章目录遥感Bi-Dilation-formerCNN-GNN-FusionMulti-hierarchicalcrosstransformerCoupledCNNs

从池化的角度看GNN（包含PR-GNN，EdgePool等7篇论文）下篇前言一些总结一些早期论文的简要介绍5️⃣论文StructPool：《StructPool:StructuredGraphPoolingviaConditionalRandomFields

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。:

项目地址：https://github.com/alibaba/euler3月，德国多特蒙德工业大学的学者们提出了PytorchGeometric，实现了诸多GNN的变体模型，上线之后获得了大佬YannLeCun

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

我们在TGNN中引出了基于时空信息的GNN架构。但没有详述其在交通预测上的应用。近年来，智慧城市的概念越来越受欢迎。这个概念指的是使用数据来管理和改善运营和服务的城市。

GraphSAGE是GNN架构下专门设计的结构用于应对大数据集。对于科技公司而言，模型的可伸缩性对于模型后续的改进至关重要。

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。

MaximumFlowProblemShusenWang图数据结构和算法课程笔记SlidesMaximumFlowProblemDescriptionNaiveAlgorithmResidual=Capacity-FlowLeft:OriginalGraphRight:ResidualGraph-Bottleneckcapacity=2-Iteration2:-Findanaugmentingpa

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