GPT-GNN:GenerativePre-TrainingofGraphNeuralNetworks文中指出训练GNN需要大量和任务对应的标注数据，这在很多时候是难以获取的。

2相关工作GraphNeuralNetworks(GNN):参考文献[3]NGCN:参考文献[4]LightGCN

简介GraphNeuralNetworks简称GNN，称为图神经网络。

标签：Jd_Paperweekly时间：2020.11.05来源：COLING2020关键词：预训练模型，knowledge-EnhancedNLP,KnowledgeEmbedding，GNN1.背景及问题描述之前的一些

论文链接：https://arxiv.org/abs/1810.00826论文来源：ICLR2019一、概述目前的GNN框架大多遵循递归邻域聚合（或者消息传递）框架，并且已经出现各种GNN变种。

图模型这两年有点火呀，稍微记录一下，有时间了再来补充。一般有这两类：基于空间，代表模型GAT基于频谱，代表模型GCN以上两个模型都是为了在非欧空间中模拟卷积过程，基于空间的模型类比cnn做法将相邻的节点做处理获得下一层隐层GCN的做法是现将输入图使用傅里叶变换转换到频域上，在频域上进行和cnn一致的卷积操作，再将结果进行逆傅里叶转成时域上（在这里是每个节点上）

rusty1s/pytorch_geometrichttps://zhuanlan.zhihu.com/p/54505069https://zhuanlan.zhihu.com/p/1129380371.GNN

第一步：清除npm缓存，执行命令：npmcacheclean-f第二步：安装n模块：npminstall-gnn模块是专门用来管理nodejs版本d第三步：升级node.js到最新稳定版：nstable

前言：实际上只装PyTorch或者torch不会遇到什么问题，但是torch-geometric、torch-scatter、torch-sparse在M1chip的Mac上非常难安装（PyGDocumentation>Installation里注明了“CondapackagesarecurrentlynotavailableforM1/M2/M3macs”）。博主试错过程中遇到了很多无解的bug

我的背景是浙江大学人工智能专业在读硕士，研究方向是GNN、NLP、司法智能。

GNN将深度学习的预测能力应用于丰富的数据结构，这些数据结构将对象及其关系描述为图中由线连接的点。当两种技术融合时，它们可以创造出新奇而美妙的东西——比如手机和浏览器融合在一起打造智能手机。

本文是一个基于NebulaGraph图算法、图数据库、机器学习、GNN的FraudDetection方法综述。

由于科研需要自学GCN中，近期在B站、知乎上看了很多资料，在这里总结一下我个人觉得讲的很清晰的资料，方便自己之后的回顾，也方便大家找资料：1、什么是GCN/GNN?

图神经网络（GraphNeuralNetwork，GNN）是近年来出现的一种利用深度学习直接对图结构数据进行学习的方法，通过在图中的节点和边上制定聚合的策略，GNN能够学习到图结构数据中节点以及边内在规律和更加深层次的语义特征

DiffusionImprovesGraphLearning-NIPS2019假设T是原始的转移矩阵（或者说图卷积矩阵、信息传递矩阵），那么图扩散矩阵定义为：为了保证收敛性，加上约束，。这个转移矩阵可以自行定义：如果我们令，，那么就得到了personalizedpageRank图扩散矩阵。如果我们令，，那么就得到了文献《Theheatkernelasthepagerankofagraph》提出的时

图神经网络的可解释性是目前比较值得探索的方向，这篇综述论文针对近期提出的GNN解释技术进行了系统的总结和分析，归纳对比了该问题的解决思路。

前情回顾图神经网络：图数据表示及应用图神经网络：消息传递图神经网络图神经网络：基于GNN的节点表征学习图神经网络：基于GNN的节点预测任务及边预测任务图神经网络：超大图上的节点表征学习图神经网络：基于图神经网络的图表征学习

id=3313417论文介绍1.论文所做工作这篇论文将图神经网络GNN中的图卷积网络GCN模型应用到了知识图谱KG中，并运用到推荐系统中。本篇论文的创新点：1.

一、GNN基本概念1.图的基本组成图神经网络的核心就是进行图模型搭建，图是由点和边组成的。在计算机处理时，通常将数据以向量的形式进行存储。

由于深度学习在可推理和可解释性方面的局限性，结合图计算与深度学习的图神经网络(GNN)成为近期学术界和工业界研究的热点新方向之一，并在社交网络、推荐系统等领域得到了广泛的应用。

作者：京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下，安全合规地联合训练业务模型，目前已在诸多领域取得了较好的结果。

图神经网络入门：搭建GNN环境本教程是在Windows10下安装Pytorch(GPU版本，CPU版本比较简单，不需要CUDA、cudnn),CUDA,cudnn,pyG许多初学者，开始以为直接安装好上述的软件或者包就直接能用了

BastainRieck:Topology-BasedGraphRepresentationLearning基础拓扑学习基于拓扑学习的工作参考BastainRieck:Topology-BasedGraphRepresentationLearning_哔哩哔哩_bilibiliChaitanyaK.JoshiGraphNeuralNetworksforGeometricGraphs背景方法Geom

Point-GNNREADME批注1.Point-GNN1.1GettingStarted1.1.1Prerequisites1.1.2KITTIDataset1.1.3DownloadPoint-GNN1.2Inference1.2.1Runacheckpoint1.2.2Performance1.3Training1.4License1.5

，代表作node2vec，GraphSAGE，门下各个是高手）Google：BryanPerozzi（DeepWalk作者，一作成名）TUM：StephanGunnemann（GraphAttack，GNN

会上，四位国内学者对图表示学习和图神经网络的最新理论进展和应用探索进行了介绍，题目分别是：《图卷积神经网络》中国中文信息学会·社会媒体处理专委会副主任、中科院计算所研究员沈华伟《图神经网络(GNN)及认知推理

所提出的框架提取任意学习的GNN模型(教师模型)的知识，并将其注入到设计良好的学生模型中，学生模型采用标签传播和特征转换两种简单的预测机制，分别自然地保留了基于结构的先验知识和基于特征的先验知识。

本文做了我一直想做的事情：GNN聚合邻居特征的时候同时考虑结构信息。有很多研究都是基于Motif（或者叫graphlet）进行的，比如HighOrderNetworkRepresentation，W

本文首次尝试学习最优的异构图结构用于hgnn，提出了一个新的框架HGSL，该框架将异构图结构学习和GNN参数学习联合起来进行分类，在每个生成的关系子图中，HGSL不仅通过生成特征相似图来考虑特征相似性，

会上，四位国内学者对图表示学习和图神经网络的最新理论进展和应用探索进行了介绍，题目分别是：《图卷积神经网络》中国中文信息学会·社会媒体处理专委会副主任、中科院计算所研究员沈华伟《图神经网络(GNN)及认知推理

近年来，图表示学习（GraphEmbedding）和图神经网络（GraphNeuralNetwork,GNN）成为网络数据分析与应用的热点研究问题，其特点是将深度神经网络技术用于网络结构的建模与计算，诞生了以

石川：GAMMALab介绍简介实验室简介北邮图数据挖掘与机器学习实验室（GAMMALab,GraphdAtaMiningandMAchinelearningLaboratory）长期从事人工智能和数据科学的核心方向：数据挖掘和机器学习的研究，特别专注于图数据的挖掘与学习，在异质图分析和图表示学习等方向处于国内领先水平，相关成果应用于华为、阿里、腾讯等企业。培养了北邮第一个“阿里星”和“腾讯犀牛鸟精

11月24日人工智能领域新增论文456篇，AI日读精选其中88篇推荐给大家。这些论文主要来自AAAI，AAMAS，ACCV，CIKM，ArtificialIntelligence，CVPR，ECCV，EMNLP，ICASSP，ICLR，ICML，ICONIP，ICPR，ICRA，TKDE，INTERSPEECH，InformationSystems，MachineLearning，NeurIPS，

本文将以浅显直觉的方式，介绍GNN的灵感来源，构造方法，训练方式等，根据《RepresentationLearningonNetworks》中GNN部分，做了具体的解读和诠释，并增补了一些代码中才有的实现细节

然而，最近的研究发现，GNN容易受到对抗攻击。本文研究了最近引入的一种针对**图注入攻击（GIA）**的真实攻击场景。在GIA场景中，攻击者无法修改输入图的现有连接结构或节点属性，而是通过向其中注入攻

UnderstandingAndImprovingGraphInjectionAttackByPromotingUnnoticeability（HAO）part1Abstract最近，图注入攻击（GIA）作为图神经网络（GNN

ImprovingGraphCollaborativeFilteringwithNeighborhood-enrichedContrastiveLearning——2022WWWkeywords：Recommendation,GNN

图神经网络概述第三弹：来自IEEEFellow的GNN综述guthub地址：https://github.com/nnzhan/Awesome-Graph-Neural-Networks原文地址https

这篇文章介绍了GNN的背景知识、发展历史、分类与框架、应用等，详细介绍了各种模型与方法，包括公式、

1.GNN的构建我们将节点的邻居定义为可计算的图，图神经网络的主要想法是：每一个节点可以从周围的邻居中汇聚信息，而这个汇聚的方式就是通过神经网络来进行。

参考：https://blog.csdn.net/YPP0229/article/details/106328173/pycharm执行代码出现错误Nomodulenamed'torch_sparse’解决办法https://pytorch-geometric.com/whl/，在这里找到自己pytorch对应的版本，下载.whl直接在下载的路径执行pipinstallxxx.whl即可参考：ht

文章目录见结尾图像分类发展传统方法(手工特征+机器学习分类)—>深度学习(网络自主学习特征表达+分类)分类深度学习相关网络CNN、Transformer、GNN等视觉基础模型的发展CNN相关网络AlexNetVGG

文章目录摘要1引言2模型2.1GNN2.2GNN变体2.2.1图类型2.2.2传播类型卷积注意力跳跃连接2.2.3训练方法2.3通用框架3应用3.1结构化场景3.2非结构化场景3.3其他场景4开放性问题

GNN-FiLM:GraphNeuralNetworkswithFeature-wiseLinearModulation(FiLMConv)ABSTRACT文章介绍了一种线性特征调制feature-wiselinearmodulation

https://github.com/machine-reasoning-ufrgs/TSP-GNN安装pyconcorde【成功】将GitHub项目pyconcorde下载到调库地址:/home/dell

NodeClassificationwithDGL本节结束您能够完成以下任务加载DGL提供的数据集通过DGL提供的模块构建GNN模型能够在CPU和GPU上，训练或评估用于节点分类任务的GNN模块说明：本节任务假定你已经具备了

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本文先简单概述GNN节点分类任务，然后详细介绍如何使用DeepGraphLibrary+Pytorch实现一个简单的两层GNN

参考开源学习地址：datawhale1.引言在图节点预测或边预测任务中，首先需要生成节点表征（representation）。高质量节点表征应该能用于衡量节点的相似性，然后基于节点表征可以实现高准确性的节点预测或边预测，因此节点表征的生成是图节点预测和边预测任务成功的关键。基于图神经网络的节点表征学习可以理解为对图神经网络进行基于监督学习的训练，使得图神经网络学会产生高质量的节点表征。在节点预测任

基于图神经网络的节点表征学习经典论文笔记（GCNMoNetChebNetGraphSAGE)Semi-SupervisedClassificationwithGraphConvolutionalNetworks(GCN)这篇文章提出了一种图卷积网络（GCN），该网络可以直接用于处理图结构数据。从本质上讲，GCN是谱图卷积（spectralgraphconvolution）的局部一阶近似（local

从上到下，一文带你看全所有GNN分类一般来说，我喜欢从上往下的角度来入门一个方向，毕竟入门的秘诀就是从广到深，而不至于在一开始就只见枝叶不见森林。