形式和使用场景上的异同 CNN用来处理传统的图像数据,而GNN模仿了CNN,希望能够处理CNN处理不了的结构化数据。 具体地说:CNN用一个可学习的卷积核提取每个卷积滑窗内的特征,也就是说在每个卷积滑窗内加权求和每个像素特征得到一个特定的值。而GNN由于每个节点的邻居数量不一样,无法直接定义统一大小的滑窗,因此在每个...
GNN和CNN的差别在于CNN只能对图像(二维网格)和文本(一维序列)等常规欧氏数据进行操作,GNN可用于非欧氏域 graphembedding 它学习用低维向量来表示图节点、边或子图,存在缺点1.编码器中节点不共享参数2.缺乏泛化能力 2.相关工作: Zhang et al. [2018f] and Wu et al. [2019c] 是两篇关于GNNs的综合性调查论文...
在欧式数据中,我们常常使用Convolutional neural networks(CNNs)进行处理。CNNs的工作原理,就是利用一定尺寸(感受野)的权重,同原始数据进行加权求和,即卷积。CNN训练目的是,通过BP算法反复优化加权求和中的“权值”,即卷积核。 对非欧数据中的卷积和CNN思路相同。也是通过卷积获得信息,因此也需要提出可优化的卷积核。
与CNN不太一样的地方是：CNN的卷积核是可以学习的参数，而GNN（以GCN为例）的卷积核是对于每个节点周围邻居特征取平均。这样会导致最终CNN可以堆叠多层达到很好的特征提取效果，但是GNN堆叠多层往往会出现过度平滑的问题。CNN只关注像素特征层面的信息提取，而GNN多了一个邻接关系，多了一个维度的信息，往...
51CTO博客已为您找到关于GNN和CNN区别的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及GNN和CNN区别问答内容。更多GNN和CNN区别相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。
我们讨论了GNN在非结构场景中的应用,但我们没有找到从原始数据中生成图的最佳方法。在图像域中,一些研究可以利用CNN获取特征图,然后对其进行上采样,形成超像素作为节点,还有的直接利用一些对象检测算法来获取对象节点。在文本域中,有些研究使用句法树作为句法图,还有的研究采用全连接图。因此,关键是找到图生成的最佳方...