3.【GNN系列3】Deep Learning on Graphs: A Survey-图卷积神经网络 参考资料 https://arxiv.org/pdf/1812.04202.pdf
为了学习模型参数,采用以下半监督方法:使用Jacobi方法迭代求解上述方程到一个稳定点,使用Almeida-Pineda算法执行梯度下降最小化特定任务的目标函数。 GNNs通过以上两个方程展现了重要作用。回顾过去,GNN统一了一些早期处理图数据的方法,例如循环神经网络和马尔可夫链。展望未来,GNNs的基本思想有重要启示:许多先进的GCNs和第...
《Deep Learning on Graphs: A Survey》。 Zhang Z, Cui P, Zhu W. Deep learning on graphs: A survey[J]. IEEE Transactions on Knowledge and Data Engineering, 2020. 18年的一篇GNN综述,读完之后,感觉GCN那一部分对我帮助还不小,帮我理清了脉络,也可能是因为之前把《Graph Representation Learning》这本...
作者:Yao Ma/Jiliang Tang 出版社:Cambridge University Press 出版年:2021-11 页数:400 定价:$55.35 装帧:Hardcover ISBN:9781108831741 豆瓣评分 评价人数不足 评价: 写笔记 写书评 加入购书单 分享到 推荐 内容简介· ··· Deep learning on graphs has become one of the hottest topics in machine learning...
图强化学习(graph reinforcement learning,Graph RL),图 RL 定义了基于图的动作和奖励,以在遵循约束的同时获得有关图任务的反馈。 图对抗方法(graph adversarial methods),图对抗方法采用对抗训练技术来增强基于图的模型的泛化能力,并通过对抗性攻击测试其鲁棒性。
关于图卷积:论文笔记-Deep Learning on Graphs: A Survey(上) 4.2 读出操作 使用图卷积操作,可以学习有用的节点特征来解决许多以节点为中心的任务。然而,为了解决以图为中心的任务,需要聚合节点信息以形成图级表示。在文献中,这种程序通常称为读出操作(readout operation)。
文献阅读14期:Deep Learning on Graphs: A Survey - 3 [ 文献阅读·综述 ] Deep Learning on Graphs: A Survey [1] 推荐理由:图神经网络的survey paper,在很多的领域展现出了独特的作用力,分别通过GRAPH RNN(图循环网络)、GCN(图卷积)、GRAPH AUTOENCODERS(图自编码器)、GRAPH REINFORCEMENT LEARNING(图强化学...
翻译:How to do Deep Learning on Graphs with Graph Convolutional Networks 什么是图卷积网络 图卷积网络是一个在图上进行操作的神经网络。给定一个图G=(E,V)G=(E,V),一个GCN的输入包括: 一个输入特征矩阵X,其维度是N×F0N×F0,其中N是节点的数目,F0F0是每个节点输入特征的数目 ...
人工智能书单|Deep Learning on Graphs 近些年来,图深度学习,尤其是图神经网络算法展现了极强的学习图的表示的能力,并且促进了许多图上的计算任务的发展。 01 推荐阅读 今天给大家推荐密西根州立大学的汤继良团队即将出版一本全面性介绍图深度学习的书——《Deep Learning on Graphs》全面介绍了图深度学习的理论基础、...
Morris et al. Future Directions in Foundations of Graph Machine Learning. ICML 2024 Zhao et al. GraphAny: A Foundation Model for Node Classification on Any Graph. Arxiv 2024. Code on Github Dong et al. Universal Link Predicto...