Graph Convolutional Network(GCN)

最新推荐文章于 2024-06-19 21:03:41 发布

que_anr

最新推荐文章于 2024-06-19 21:03:41 发布

阅读量120

点赞数

分类专栏： Prediction 算法

原文链接：https://www.zhihu.com/question/54504471/answer/360026284

版权

算法同时被 2 个专栏收录

8 篇文章

订阅专栏

Prediction

2 篇文章

订阅专栏

https://www.zhihu.com/question/54504471/answer/360026284

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

que_anr

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现

盼小辉丶的博客

04-03

1万+

图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。

【复杂网络建模】——基于Graph Convolutional Networks (GCN)进行链接预测

lingxw的博客

12-08

3万+

复杂网络是一种由大量相互连接的元素（节点或顶点）组成的网络结构，这些连接通常是非常复杂和动态的。这些网络可以在各种领域中发现，包括社交网络、生物学系统、信息技术和交通系统等。

参与评论您还未登录，请先登录后发表或查看评论

Graph Convolutional Network (图卷积GCN)

nakaizura

10-25

3707

目标：为了解决非规则数据结构 — 学习图上特征映射直觉上想要找到构图结点的特征，一定是与其相关的结点、连接的边有关。那么就直接把每个顶点比如1号结点相邻的结点找出来，虽然相邻的个数可能不一样，设个最大值，然后类似onehot一下，变成统一维度来做不就ok了？但是这样做的缺点在于，必须每个顶点都处理，而且而且而且效果一般。但是我们有图论，甚至还有拓扑学！对于一个图G=(V,E)，laplac...

【图卷积网络】Graph Convolutional Network

来日可期的博客

03-14

1830

1. 图卷积网络 1.1. 为什么会出现图卷积网络普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。然而，现实生活中很多数据不具备规则的空间结构，称为Non Euclidean data，如，推荐系统、电子交易、分子结构等抽象出来的图谱。这些图谱中的每个节点连接不尽相同，有的节点有

深度学习算法中的图卷积网络（Graph Convolutional Networks）

牛肉胡辣汤

09-21

2092

通过将用户和物品表示为图的节点，并利用图卷积网络进行特征提取和分类，可以更好地捕捉用户和物品之间的复杂关系。图卷积网络的核心思想是利用邻接矩阵来描述图的拓扑结构，通过多层的图卷积操作，逐渐传播和聚合节点的信息。在每一层的图卷积操作中，通过考虑节点的邻居节点和它们之间的边的权重，将节点的特征进行更新和聚合。然而，近年来，一种新的深度学习算法——图卷积网络（Graph Convolutional Networks，GCN）逐渐崭露头角，成为了处理图数据的一种重要工具。然后，创建了一个图卷积网络模型实例。

Spatial Temporal Graph Convolutional Networks

02-10

时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文

Graph Convolutional Networks.zip

09-20

这是个人平时学习中找到的图卷积神经网络的基本资料，图神经网络分为空间卷积和谱图卷积两种形式，这些资料中都有所涉及，希望对大家的学习有所帮助。

图卷积网络Graph Convolutional Network（GCN）的理解和详细推导.pdf

06-11

图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724

图卷积网络（Graph Convolutional Network, GCN）

最新发布

weixin_44012667的博客

06-19

1557

GCN编码器的结构可以通过如下递归公式表示：初始状态下，经过 L层图卷积后，得到最终的节点表示。每层的图卷积通过聚合邻居信息、线性变换和非线性激活来更新节点表示。x_i。

Attributed Multi-order Graph Convolutional Network for Heterogeneous Graphs

qq_59269283的博客

03-01

507

这篇论文是我这周读的最顺畅的一篇，不是因为他的idea特别突出，而是文章的思路很清楚，讲的很详细，所以让我感觉到很顺畅，我觉得有必要多写一点论文解读来记录一下。我的理解是A2是通过添加边为两个原本没有联系的节点添加一个中间节点，然后使得原本没有联系的两个节点通过元路径建立起联系。这篇文章中作者自己提出了三个问题，然后在对模型的讲述中详细地解决了这三个问题。对于建立元路径（meta-paths）的原理，作者举了如下图所示的例子。,其中β是可训练参数，同时这篇文章也欠缺一些对节点属性嵌入的融合考量。

[深度学习笔记][CNN/GCN]Graph Convolutional Network学习笔记

猎人伯爵

09-09

1340

本文仅为个人的学习笔记，对论文或者网上的资料作总结以及加入个人的理解，对论文或者在线资料可能有诸多理解不准确的地方，见谅。主要参考资料：如何理解 Graph Convolutional Network（GCN）？ - superbrother的回答 - 知乎 https://www.zhihu.com/question/54504471/answer/332657604 Defferrard M, Bresson X, Vandergheynst P. Convolutional neural

图卷积网络（Graph Convolutional Network）

lijunweiyhn的博客

02-25

2万+

转载+整理：https://blog.csdn.net/qq_41727666/article/details/84622965 序 — 图简介，图卷积网络的出现。图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些...

图卷积网络（Graph Convolution Network，GCN）

weixin_44458771的博客

02-16

1万+

在图神经网络出现之前，一般的神经网络只能对常规的欧式数据进行处理，其特点就是节点有固定的排列规则和顺序，如２维网格和１维序列。近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据。

GCN (Graph Convolutional Network) 图卷积网络

rocking_struggling的博客

09-01

2980

这几个同时看一下，感觉能理解不少： B站视频：https://www.bilibili.com/video/BV1ta4y1t7EK GCN论文原文和代码：https://github.com/tkipf/gcn （代码另有pytorch版本的，也很方便理解）本文转载的博客：https://blog.csdn.net/weixin_36474809/article/details/89316439 以下是主要转载内容：目的：图卷积网络近两年大火，博主实习需要用

理解Graph Convolutional Network(GCN)

上帝是个娘们的博客

05-23

1042

理解Laplacian矩阵在GCN相关的理论知识中，都提到了Laplacian矩阵（拉普拉斯矩阵），那么GCN为什么要用拉普拉斯矩阵以及拉普拉斯矩阵是怎么来的却很少有人说明。下面通过一个列子来说明。一个基于图的热传播模型上图一个热传播模型，我们都知道热量只会从温度高的地方流向温度低的地方，再上图中，热量只会从温度高的节点流向温度低的节点，比如节点1会与节点0，2，4发生直接的热交换，会与其他间接连通的节点（比如节点8）发生间接的温度交换。假设热量的流动满足牛顿冷却定律（热量传递的速度正比于温度梯度

Graph Convolutional Network介绍及简单实现(一)

从小跑开始

12-05

1万+

本文是https://towardsdatascience.com/how-to-do-deep-learning-on-graphs-with-graph-convolutional-networks-7d2250723780第一部分A High-Level Introduction to Graph Convolutional Networks的翻译和总结，介绍了简单的Graph Convol...

Graph Convolutional Network (GCN) 图卷积网络

酒酿小圆子呀～

07-03

8869

GCN (Graph Convolutional Network) 图卷积网络解析

热门推荐

祥瑞的技术博客

04-16

8万+

目的：图卷积网络近两年大火，博主实习需要用到。接下来几个月就会在图卷积网络上做很多东西。这篇是刚开始对图卷积网络的学习，所以会广泛参考相关论文与网上的技术博客，总结归纳，希望提炼出有用的知识，加深对于图卷积网络的理解。重要内容链接会贴出方便大家学习，也很欢迎大家跟我探讨或者分享心得。对于复杂的公式与繁杂的推证，博主希望尽可能理解其意义，对于难以理解的或者暂时没有时间推证的可以先记下其结论，方便后续...

20-CVPR-Distilling Knowledge from Graph Convolutional Networks

BLvren_的博客

09-25

564

知识蒸馏知识蒸馏指的是模型压缩的思想，通过将预先训练的繁琐网络作为教师模型，知识蒸馏的目的是学习一个紧凑的学生模型，期望通过转移教师的知识来掌握教师的专业知识。 KD在15-nipsworskshop-Distilling the knowledge in a neural network.被首先提出。 20-CVPR-Distilling Knowledge from Graph Convolutional Networks 摘要现有的知识蒸馏方法侧重于CNN，其中输入样本如图像位于网络域，并在很大程

graph convolutional network和 graph isomorphism network

12-14

Graph Convolutional Network (GCN) 和 Graph Isomorphism Network (GIN) 都是用于处理图数据的深度学习模型。GCN 是一种基于图卷积操作的模型，它可以有效地学习图数据的表示，具有良好的可扩展性和泛化能力。它通过多层图卷积层来聚合图的局部邻居信息，并通过参数化的权重矩阵来学习局部和全局特征。而GIN 是一种基于图同构网络的模型，它主要用于解决图同构性问题，即判断两个图是否同构。在GIN 模型中，通过迭代的过程来更新每个节点的表示，使得图的表示能够捕捉到图的结构信息。通过学习图的结构信息，GIN 可以有效地判断两个图是否同构，从而具有很好的适用性和准确性。这两种模型在处理图数据方面都具有很大的应用潜力。GCN 主要应用于图数据的表示学习和节点分类任务，例如社交网络分析、推荐系统和生物信息学中的蛋白质互作网络分析等。而GIN 则可以应用于图同构性判断以及图结构特征的提取与表达上，比如化学分子图谱判别、分子之间相似性检测等方面。总的来说，GCN 和 GIN 是两种在图数据领域具有重要意义的深度学习模型，它们都为图相关问题的解决提供了有效的方法和工具。随着图数据应用的不断扩大，相信这两种模型在未来会有更广泛的应用。