GNN图神经网络第31页

[SIGMOD 2022]Neural Subgraph Counting with Wasserstein Estimator

总结先为query筛选候选的data点，再得到data图的候选子图，再根据候选情况建立两图之间的关联，内部图外部图同时进行GNN，损失函数里除了常规目标再加个WD拉近匹配的距离。

yujianke100·2022-11-26 04:57

[NIPS 2022]Neural Temporal Walks Motif-Aware Representation Learning on Continuous-Time Dynamic Grap...

Motif-AwareRepresentationLearningonContinuous-TimeDynamicGraphs介绍该文针对的是Continuous-TimeDynamicGraphs，也就是说边和点会随着时间增删文章认为当前时序图神经网络

yujianke100·2022-11-26 04:49

K-hop消息传递图神经网络的表达能力有多强？

论文地址：HowPowerfulareK-hopMessagePassingGraphNeuralNetworks一.论文概述近些年，从空域角度定义的图神经网络（GraphNeuralNetwork,GNN

斯曦巍峨·2022-11-26 04:10

RuntimeError: indices should be either on cpu or on the same device as the indexed tensor (cpu)

训练图神经网络时遇到的问题：检查过自己的代码，模型和数据都分别放入了GPU中，将数据和模型打印出来也在GPU上、运行时GPU的显存确实有被占但依然报这个错误。

Chemist_Dong·2022-11-26 01:33

【AI 简报20201018期】英伟达开源「Imaginaire」、智能手表争夺战是如何打响的？

导读：本期为AI简报20201018期，将为您带来过去一周关于AI新闻9条，其他互联网圈内新闻8条，希望对您有所帮助~有更好的建议或者意见请在下方留言~AI1.图神经网络新课上架：宾大2020秋季在线课程开课

RTThreadIoTOS·2022-11-26 00:57

GRAPHSPEECH: SYNTAX-AWARE GRAPH ATTENTION NETWORK FOR NEURAL SPEECH SYNTHESIS论文阅读

因此提出了一种新的基于图神经网络结构的TTS模型（GraphSpeech）。GraphSpeech显式地对输入句子词汇的句法关系进行编码，然后将这些信息整合到模型中，获取句法

JanettaC·2022-11-25 22:28

【图神经网络论文整理】（六）—— Universal Graph Transformer Self-Attention Networks

该篇文章的主要贡献是将Transformer应用在GNN中用于学习图的表

咕嘟·2022-11-25 22:50

LSTM/GRU详细代码解析+完整代码实现

LSTM和GRU目前被广泛的应用在各种预测场景中，并与卷积神经网络CNN或者图神经网络GCN这里等相结合，对数据的结构特征和时序特征进行提取，从而预测下一时刻的数据。

m0_53961910·2022-11-25 21:28

‘端云协同’是未来AI产业服务的重要形态，给各种业务算法带来新机遇

评审委员会评论称：“该项目研制难度大、创新性强，整体技术处于国际先进水平，其中在跨模态随机游走图内嵌向量表达、超大规模图自适应分区和综合存储、异构计算架构下图神经网络学习加速等方面达到国际领先水平。”

互联网志·2022-11-25 20:09

Graph Neural Network for Traffic Forecasting: A Survey

简介简而言之，GNN可以比较好的解决交通问题。这篇文章确定了最常考虑的问题、图形公式和模型，还调查和总结了公共可用的有用

认认真真学习·2022-11-25 17:14

机器学习作业-交通流量预测综述

文章目录GraphNeuralNetworkforTrafficForecasting:ASurvey摘要1.相关介绍2.交通流量预测的问题3.图神经网络在交通预测上的应用4.开放数据集和源代码5.挑战和未来的研究方向总结作业

过动猿·2022-11-25 17:13

CS224W-图神经网络笔记1：Introduction : Structure of Graphs

CS224W-图神经网络笔记1：Introduction:StructureofGraphs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

Johnny__Wang__·2022-11-25 16:09

权衡偏差和方差的近似最优图神经网络邻接点采样器

AITIME论道·2022-11-25 13:03

图神经网络的解释性综述！

↑关注后"星标"Datawhale每日干货 & 每月组队学习，不错过 Datawhale干货来源：纪厚业，北京邮电大学，图与推荐编辑：数据派THU本文约1.5w字，干货满满，建议收藏本文对近期提出的GNN

Datawhale·2022-11-25 12:13

图神经网络

基础知识图图是由顶点和顶点之间的边组成的一种数据结构，它通常表示为，其中表示为一个图，是图中顶点的集合，是图中边的集合。如下图所示图结构研究的是数据元素之间的多对多关系。在这种结构中，任意两个元素之间都可能存在关系，即顶点之间的关系可以是任意的，图中任意元素之间都可能相关。在图结构中，不允许没有顶点。任意两个顶点之间都可能有关系，顶点之间的逻辑关系用边来表示。边可以是有向的也可以是无向的，边集合可

IMPORT_UTIL·2022-11-25 10:57

快速上手：图聚类入门 Graph Clustering

文章目录先验知识聚类图图神经网络图节点聚类相关工作图聚类（GraphClustering）AttributedGraphClusteringviaAdaptiveGrap

YoHu人家·2022-11-25 09:20

图神经网络的训练方式分类理解（Inductive learning VS Transductive learning）

一般在看paper的时候，论文里面实验部分会提到本文的模型采用的是Inductive还是Transductive，例如下图（JK-NET）：那么具体什么是Inductive和Transductive？图数据和其它数据不同，图数据中每个节点可以通过边的连接来利用其邻域节点的信息，这也就导致了一个问题：如果训练集上的节点通过边关联到了预测集或者验证集的节点，那么在训练的时候能否用它们的信息呢?Tran

码匀·2022-11-25 09:36

NeurIPS 2020 | MVGNN+：基于多视图图神经网络的分子性质预测

原文标题：Multi-ViewGraphNeuralNetworksforMolecularPropertyPrediction论文地址：https://ml4molecules.github.io/papers2020/ML4Molecules_2020_paper_5.pdf一、问题提出如何在单一模型中恰当地集成节点信息和边信息是首要的挑战问题。可解释性对于药物的发现是非常重要的。理解底层模型

羊飘·2022-11-25 09:27

Bioinformatics202207 | CD-MVGNN+：基于交叉依赖图神经网络的分子性质预测

CD-MVGNN：Cross-dependentgraphneuralnetworksformolecularpropertyprediction代码：GitHub-uta-smile/CD-MVGNN一、问题提出GNN

羊飘·2022-11-25 09:27

Briefings in bioinformatics2022 | FP-GNN+：用于分子性质预测的versatile DL架构

原文标题：FP-GNN:aversatiledeeplearningarchitectureforenhancedmolecularpropertyprediction地址：https://academic.oup.com

羊飘·2022-11-25 09:26

《深入浅出图神经网络：GNN原理解析》学习笔记

二刷，重制目录一、图的概述1.基本概念2.图的存储和遍历3.应用分类二、神经网络基础1.机器学习2.神经网络三、卷积神经网络（CNN）1.卷积与池化CNN是具有局部链接、权值共享等特点的深层前馈神经网络。其中两大核心操作就是卷积和池化。2.卷积神经网络四、表示学习五、图信号处理与图卷积神经网络2.图信号与图的拉普拉斯矩阵3.图傅里叶变换4.图滤波器（GraphFilter）5.图卷积神经网络（GC

蚌埠先森·2022-11-25 09:15

《深入浅出图神经网络》笔记

图神经网络wx使用的是特征变换Lw*x考虑图结构信息。对w和

赵小丽-programer·2022-11-25 08:07

强人工智能（Artificial General Intelligence，通用人工智能）论文和资料总结分享目录

小怪兽会微笑·2022-11-25 08:34

《深入浅出图神经网络》读书笔记（6.GCN的性质）

6.GCN的性质6.1GCN和CNN的联系从本质上看，二者都是聚合邻域信息的运算，只是作用的数据对象不同。1.图像是一种特殊的图数据CNN与GCN的最大区别是没有显式地表达出邻接矩阵，如果我们将图像中的每个像素视作一个节点，那么以3×33\times33×3大小的卷积核为例，可以将中心节点附近3×33\times33×3的栅格内的像素等价为自己的邻居。这种将像素等价于节点，像素之间空间坐标的连线作

ppgodcsy·2022-11-25 08:59

计算机语言网图,Graph Neural Network（GNN）最全资源整理分享

GNN自去年起，一直是研究的热点，图神经网络相关的关键词频繁出现在今年各大AI顶会论文title中，加深对这一领域的了解是非常必要的。分享一篇，关于GNN，目前看到的整理得最细致的资源列表。

lwieui·2022-11-25 08:17

Understanding Attention and Generalization in Graph Neural Networks--NIPS2019--论文笔记

论文题目–《对图神经网络的注意力和泛化能力的理解》摘要我们旨在更好地了解图神经网络（GNN）中节点的注意力机制，并确定影响其有效性的因素。

爱玩的阿是·2022-11-25 03:55

【图神经网络论文整理】（四）—— Understanding Attention and Generalization in Graph Neural Networks

BorisKnyazev（UniversityofGuelphVectorInstitute），GrahamW.Taylor（UniversityofGuelphVectorInstitute,CanadaCIFARAIChair），MohamedR.Amer∗（Robust.AI）33rdConferenceonNeuralInformationProcessingSystems(NeurIPS

咕嘟·2022-11-25 03:50

什么是图神经网络GNN？

一、什么是GNN一句话概括图神经网络（GraphicNuaralNetwork，GNN）：将一个数据（一个图）输入到网络（GNN）中，会得到一个输出数据（同样是图），输出的图和输入的图相比，顶点、边、以及全局信息会发生一些改变

探索计算机知识的边缘·2022-11-24 23:08

GNN 图神经网络

GNN的作用是输入一个具有特征和结构的图，输出最终的特征GNN有三个流程：聚合、更新和循环，接下来我将在这个图中介绍。

xiao_kong_long_·2022-11-24 23:08

GNN（图神经网络）基本概念

功能：节点分类和图分类空域：空间上考虑图结构的模型，即考虑目标节点和其他节点的几何关系(有无连接)。模型代表：GAT（GraphAttentionNetworks）图注意力模型用注意力机制对邻近节点特征加权求和。邻近节点特征的权重完全取决于节点特征，独立于图结构。（将卷积神经网络中的池化看成一种特殊的平均加权的注意力机制，或者说注意力机制是一种具有对输入分配偏好的通用池化方法(含参数的池化方法）图

luemeon·2022-11-24 23:36

图学习笔记（三）：图神经网络

图学习笔记（三）：图与图学习回顾六.图神经网络（GraphNeuralNetworks）一、什么是图神经网络二、有哪些图神经网络符号定义1.图卷积网络（GraphConvolutionNetworks，

Laura_Wangzx·2022-11-24 23:36

什么是图神经网络？图神经网络有什么用？

谈到深度学习，就不得不提图神经网络(GNN)，毕竟图神经网络正是深度学习技术的根本和基础。下面我将用三分钟带你解读图神经网络，主要内容包括图神经网络的定义、兴起和用途。什么是图神经网络?

程序媛珂珂·2022-11-24 23:32

图神经网络(GNN)简述

目录一、什么是图(graph)二、如何将图片(images)表示成图(graph)三、在机器学习中使用图(graph)的挑战四、图神经网络(GraphNeuralNetwork,GNN)(I).ThesimplestGNN

Taylor不想被展开·2022-11-24 23:30

ICML2019 Self-Attention Graph Pooling

本文转载自知乎专栏:NLP入门论文解析作者:Takihttps://zhuanlan.zhihu.com/p/104837556小编语:经典的CNN架构通常包含卷积层和池化层.GNN将CNN泛化到了图数据上

weixin_45519842·2022-11-24 22:16

图神经网络中的Graph Pooling

前言GNN/GCN在非欧数据中的应用具有极大的挖掘价值。通常，GNN的应用分为两种：1，节点分类；2，

zenRRan·2022-11-24 22:10

【图神经网络论文整理】（五）—— Self-Attention Graph Pooling：SAGPool

ICML2019JunhyunLee,InyeopLee,JaewooKangMachineLearning(cs.LG);MachineLearning(stat.ML)论文地址本文介绍的论文是《Self-AttentionGraphPooling》。该篇文章提出了一种新的图池化方式，该池化方式是基于自注意力机制来计算得分，同时考虑了节点特征和图的拓扑结构，能够实现端到端方式学习图的层次表示。一

咕嘟·2022-11-24 22:31

三大顶会看动态图表示学习

作者|王春辰学校|北京邮电大学研究方向|图神经网络及其应用鉴于网络挖掘在现实生活中的丰富应用，以及近些年网络表示学习的兴起，网络嵌入已经成为学术界和工业界日益关注的研究热点。

文文学霸·2022-11-24 21:58

pytorch_geometric(pyg)复现T-GCN

因此本文将从复现T-GCN（论文和官方源码见此）的角度出发，讲述怎么使用pyg搭建一个GNN-RNN模型，包括数据集的构建和模型的搭建。

卡拉叽里呱啦·2022-11-24 20:48

《深入浅出图神经网络》阅读笔记-第3章卷积神经网络（2）卷积神经网络特点

卷积神经网络有三个特点：局部连接、权值共享、层次化表达1、局部连接卷积计算每次都在于卷积核大小对应的区域进行，所以说输入和输出是局部连接的。这也符合图像的局部相关性。感知野：指特征图上一个输出与多大区域的输入有关。通俗点讲就是卷积操作对多大的区域有计算。2、权值共享在图像中，不同的区域使用的是同一个卷积核，这样可以减少参数量并且带来了平移不变性。平移不变性是指不管输入如何平移，总能够得到相同的输出

与其等风来，不如追风去·2022-11-24 18:43

图神经网络——(2)图卷积神经网络

初入图神经网络，记录其中的一些理论知识。上一篇文章中简单的介绍了几种与图数据相关的名词以及它们之间的联系与区别，这篇文章中主要介绍图卷积神经网络（GCN）的实现原理。

Ma Sizhou·2022-11-24 18:42

《深入浅出图神经网络》阅读笔记-第3章卷积神经网络（1）

第一部分：卷积与池化1、信号处理中的卷积2、图像中的卷积不同的卷积核所提取的特征不同。根据用图直观上理解梯度算子（一阶）与拉普拉斯算子（二阶）的区别，线检测与边缘检测的区别_菊头蝙蝠的博客-CSDN博客_一阶梯度算子所述，二阶算子可得到图像的细节，一阶算子可得到图像的边缘。3、卷积的意义：可以将时域中的复杂的卷积运算转换为频域中的简单相乘运算，即：第二部分：深度学习中的卷积操作如果卷积的位置无法获

与其等风来，不如追风去·2022-11-24 18:12

《深入浅出图神经网络》阅读笔记-第3章卷积神经网络（2）- AlexNet讲解

参考《深入浅出图神经网络》。AlexNet由5个卷积层、2个池化层、3个全连接层组成。受当时硬件条件的影响，单个GPU无法运行这么大规模的模型，所以分为了两部分。

与其等风来，不如追风去·2022-11-24 18:12

深入浅出图神经网络学习笔记（2）神经网络基础

神经网络基础一、机器学习基本概念1.机器学习流程概述1数学模型2损失函数3梯度下降算法二、神经网络1神经元2多层感知机3训练神经网络总结一、机器学习基本概念随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。1.机器学习流程概述提取特征——建立模型——确定损失函数进行优化求解模型可以看做一个复杂的函数f(X;W),建立输入到输出之间的映

小杜今天学AI了吗·2022-11-24 18:06

深入浅出图神经网络学习笔记（4）表示学习

表示学习一、离散表示与分布表示二、端到端学习三、基于重构损失的方法——自编码器四、基于基于对比损失的方法—Word2vec自动地从数据中去学习“有用”的特征，并可以直接用于后续的具体任务———称为表示学习一、离散表示与分布表示独热向量编码（one-hot），它将研究的对象表示为向量，这个向量只在某个维度上值是1，其余维度上值全为0，可以想象有多少种类型，这个向量的长度就有多长。比如要用这种方式去将

小杜今天学AI了吗·2022-11-24 18:36

《深入浅出图神经网络》读书笔记（4.表示学习）

4.表示学习文章目录4.表示学习4.1表示学习4.1.1表示学习的意义4.1.2离散表示与分布式表示4.1.3端到端学习4.2基于重构损失的方法——自编码器4.2.1自编码器4.2.2正则自编码器4.2.3变分自编码器4.3基于对比损失的方法—Word2vec4.3.1Skip-gram——词向量模型4.3.2负采样4.1表示学习4.1.1表示学习的意义机器学习算法性能严重依赖于特征，因此在传统机

ppgodcsy·2022-11-24 18:31

深入浅出图神经网络第2章神经网络基础读书笔记

训练数据中每个样本都有标签，通过标签指导模型进行训练无监督学习：训练数据完全没有标签，算法从数据中发现约束关系，如数据之间的关联等，典型的无监督算法有如聚类算法半监督学习：训练数据又有有标签数据，又有无标签数据（GNN

DazTricky·2022-11-24 18:23

深入浅出图神经网络第3章卷积神经网络读书笔记

第3章卷积神经网络卷积神经网络CNN是目前应用最广泛的模型之一，具有局部连接、权值共享等特点，是一种深层前馈神经网络。3.1卷积与池化卷积与池化是CNN中的两个核心操作。3.1.1信号处理中的卷积题外话：因为这部分的核心知识应该是属于《信号与系统》这门课程的，但…我没学过，所以学起来应该会痛苦面具吧，摘录原书公式的同时我也尽量给出一些自己的理解卷积的一个典型应用：给定输入信号f(τ)f(\tau)