CS224W-图神经网络 笔记5.2:Spectral Clustering - 谱聚类主要思想及关键结论的证明 CS224W-图神经网络 笔记5.2:Spectral Clustering - 谱聚类主要思想及关键结论的证明本文总结之日CS224W Winter 2021只更新到了第四节,所以下文会参考2021… 阅读全文
图数据本身就会有特征,但是我们还想获得说明其在网络中的位置、其局部网络结构local network structure之类的特征(这些额外的特征描述了网络的拓扑结构,能使预测更加准确) 共有两种特征:数据的结构关联特征structural feature以及其本身的节点属性特征attributes and properities 传统机器学习的步骤 获取数据点、节点、连接等,...
大多数的网络是稀疏的sparse,如:电网power-girds、互联网连接internet connection等 使用边列表egde list——在深度学习中很受欢迎 将两个节点之间的连接表示为二维矩阵two-dimensional matrix,常用于深度学习框架中,问题在于很难进行图的操作和分析,就算只是计算图中点的度数都会很难 使用邻接表adjacency list——便于进...
【CS224W学习笔记 day07】 GNN划分训练集、验证集、测试集、任务定义 之前把GNN的原理、框架等等都简单说了一遍, 但是GNN训练和预测的pipeline也是一个问题,因为它不像CV或者NLP领域的任务定义那么简单,如果任务设计的不合理可能会造成各种信息泄露的问题,所以… ...
课程链接:https://web.stanford.edu/class/cs224w/index.html Lecture 3. Node Embeddings 学习架构 定义一个encoder,例如lookup table 定义一个节点相似性函数 定义一个decoder,可以基于embeddings计算相似性 优化 备注 如何定义节点相似性? 可以基于random walk ...
在Lecture 6将介绍deep encoders(已完成对应章节的笔记,见cs224w(图机器学习)2021冬季课程学习笔记7 Graph Neural Networks 1: GNN Model) Decoder: based on node similarity 目标:对于相似点对 (u,v),最大化其embedding点积 节点相似的不同定义 有边 ...
简介:cs224w(图机器学习)2021冬季课程学习笔记10 Applications of Graph Neural Networks 本章主要内容: 本章继续上一章1内容,讲design space剩下的两部分:图增强,如何训练一个GNN模型(GNN训练全流程)。 在图增强方面: 首先介绍图增强的原因和分类。
cs224w学习笔记（01）Graph介绍 可以视为graph的data type 社交⽹络 因特⽹ ⽂件引⽤ 地铁等 简单来说，可以视为net的事物，⼤部分情况也可以视为graph。Sometimes the distinction between networks & graphs is blurred 数据结构与机器学习 在进⾏学习前需要明确输⼊的数据结构，⽽机器学习更适合⽤...
cs224w学习笔记(02)传统图机器学习方法 传统图机器学习方法 传统机器学习的任务级别可以划分为三个级别:Node-level、Edge-level、Graph-level 按照节点的不同,特征也分别为nodes、links、graphs 传统的机器学习模型 random forest SVM Neural network, etc $ x \rightarrow y $...
Application of Graph ML 图机器学习任务分为四类 节点级别 node level 边级别 edge level 社区 / 子图级别 community(subgraph) level 图级别,包括预测任务graph-level prediction和 图生成任务graph ge