最近,清华大学NLP课题组Jie Zhou, Ganqu Cui, Zhengyan Zhang and Yushi Bai同学对 GNN 相关的综述论文、模型与应用进行了综述,并发布在 GitHub 上。16大应用包含物理、知识图谱等最新论文整理推荐。 GitHub 链接: https://github.com/thunlp/GNNPapers 目录 1. Survey 综述论文 Graph Neural Networks: A Review...
Graph convolutional networks (GCN), graphSAGE and graph attention networks (GAT) for text classification - zshicode/GNN-for-text-classification
Learning Region features for Object Detection. ECCV 2018. paper Jiayuan Gu, Han Hu, Liwei Wang, Yichen Wei, Jifeng Dai. The More You Know: Using Knowledge Graphs for Image Classification. CVPR 2017. paper Kenneth Marino, Ruslan Salakhutdinov, Abhinav Gupta. Understanding Kin Relationships in a ...
GNN 领域面临的另一个主要问题是如何定义通用的实验环境。正如 Errica 等人于 2019 年发表的论文《A fair comparison of graph neural networks for graph classifification》所述，最近基于 TU 数据集完成的论文在训练、验证和测试集的划分以及评估协议方面没有达成共识，这使得比较新思想和架构的性能变得不公平。人们...
在图像识别和物体检测任务上的大量实验证明了我们的ViG架构的优越性。我们希望这项关于一般视觉任务的GNN开创性研究将为未来的研究提供有益的启发和经验。PyTorch代码可在https://github.com/huawei-noah/ Efficient-AI-Backbones和MindSpore代码可在此处获得https://gitee.com/mindspore/models。
Qin A, Shang Z, Tian J, et al. Spectral–Spatial Graph Convolutional Networks for Semisupervised Hyperspectral Image Classification. IEEE Geoscience and Remote Sensing Letters, 2019. paper Coley C W, Jin W, Rogers L, et al. A graph-convolutional neural network model for the prediction of chem...
图神经网络(GNN)是当下风头无两的热门研究话题。然而,正如计算机视觉的崛起有赖于 ImageNet 的诞生,图神经网络也急需一个全球学者公认的统一对比基准。 近日,Bengio 大神带领其团队发布了新的图神经网络对比基准测试框架以及附带的 6 个标准化数据集。大家可以开始尽情刷榜了!
Image generation from scene graphs. Justin Johnson, Agrim Gupta, Li Fei-Fei. CVPR 2018. arxiv.org/pdf/1804.0162 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas. CVPR 2018. arxiv.org/pdf/1612.0059 Iterati...
雷锋网 AI 科技评论按:图神经网络(GNN)是当下风头无两的热门研究话题。然而,正如计算机视觉的崛起有赖于 ImageNet 的诞生,图神经网络也急需一个全球学者公认的统一对比基准。 近日,Bengio 大神带领其团队发布了新的图神经网络对比基准测试框架以及附带的 6 个标准化数据集。大家可以开始尽情刷榜了!
图像分类(Image Classification) 视觉推理(Visual Reasoning) 语义分割(Semantic Segmentation) 等等 领域应用: 风控领域、推荐系统(社交网络 / 电商推荐)、生物医疗等等 未来的研究方向 如何有效地提升模型复杂度:因为convolution 层变多时,各个节点的特征将会变得越来越接近,加多层数最后会使得所有的点上的特征都变成一...