因此,本文试图沿着图神经网络的历史脉络,从最早基于不动点理论的图神经网络(Graph Neural Network, GNN)一步步讲到当前用得最火的图卷积神经网络(Graph Convolutional Neural Network, GCN), 期望通过本文带给读者一些灵感与启示。 1. 本文...
从整个研究的时间进程来看:首先研究GSP(graph signal processing)的学者定义了graph上的Fourier Transformation,进而定义了graph上的convolution,最后与深度学习结合提出了Graph Convolutional Network。 基于频域卷积的方法则从图信号处理起家,包括 Spectral CNN[5], Cheybyshev Spectral CNN(ChebNet)[6], 和 First order ...
R. Levie*, F. Monti*, X. Bresson, M. M. Bronstein, CayleyNets: Graph convolutional neural ...
就有学者会将其应用到graph领域。但是graph是一种拓扑结构，是由顶点和边相连接的一种拓扑关系，不是很...
本文旨在提出一种新型的量子图卷积神经网络(Quantum Graph Convolutional Neural Network, QGCN)模型,该模型利用量子参数化电路的计算能力来完成传统机器学习中的图分类任务。作者希望通过将经典GCN的架构与量子计算结合,验证QGCN在处理图结构数据上的有效性,并展示其在图级别分类任务中的优越性能。 3. 核心思想 3.1 ...
与传统的卷积神经网络(Convolutional Neural Network,简称CNN)和循环神经网络(Recurrent Neural Network,简称RNN)不同,图神经网络能够有效地处理不定长的图结构数据,并利用节点之间的关系来进行学习和推理。它能够捕捉到图的局部结构和全局拓扑特征,从而提取更丰富的特征表示,进而提升各种图分析任务的性能。
因此,本文试图沿着图神经网络的历史脉络,从最早基于不动点理论的图神经网络(Graph Neural Network, GNN)一步步讲到当前用得最火的图卷积神经网络(Graph Convolutional Neural Network, GCN), 期望通过本文带给读者一些灵感与启示。 本文的提纲与叙述要点主要参考了2篇图神经网络的Survey,分别是来自IEEE Fellow的A Comp...
因此,本文试图沿着图神经网络的历史脉络,从最早基于不动点理论的图神经网络(Graph Neural Network, GNN)一步步讲到当前用得最火的图卷积神经网络(Graph Convolutional Neural Network, GCN), 期望通过本文带给读者一些灵感与启示。 本文的提纲与叙述要点主要参考了3篇图神经网络的Survey,分别是来自IEEE Fellow的A Comp...
[1]. Neural Message Passing for Quantum Chemistry, https://arxiv.org/abs/1704.01212 [2]. Inductive Representation Learning on Large Graphs, https://arxiv.org/abs/1706.02216 [3]. Diffusion-Convolutional Neural Networks, https://arxiv.org/abs/1511.02136 ...
前面是GE领域的概述了,现在要说的是另一个事情就是图卷积(Graph Convolutional Neural Network,GCN),其实这相对于GE是另一个思路,GE基于高维相似性映射到低维以后也是相似的,我们想使用深度学习应该先学习图嵌入(借鉴nlp中的word2vec) ,而GCN就是直接端到端分类或回归,当然也可以先使用进行图嵌入,拿到嵌入向量以后...