传统CNN的卷积对于每一对输入特征和输出特征都学习一个单独的卷积核,这导致了大量的参数,尤其是在特征数量较多的情况下。我们将特征变换从卷积中分离出来,在所有特征中学习一个卷积核,大大减少了参数的数量。最后,我们将所提出的图小波神经网络应用于基于图的半监督分类中,验证了其有效性。实验结果表明,在Cora、Cite...
[38] B. Xu, H. Shen, Q. Cao, Y. Qiu, and X. Cheng. Graph wavelet neural network. In International Conference on Learning Representations, 2019. [39] R. Ying, R. He, K. Chen, P. Eksombatchai, W. L. Hamilton, and J. Leskovec. Graph convolutional neural networks for web-scale ...
近年来如何利用深度学习的方法建模Graph引起广泛关注,而其中借助图卷积网络建模Graph上节点关联是非常重要的一类方法。本次公开课将分享如何用小波变换实现图卷积算子,以及小波变换相对于图上傅立叶变换带来的优势。该工作已被表示学习国际会议ICLR2019录用,论文题目为《Graph Wavelet Neural Network》。 分享嘉宾 徐冰冰,中...
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...
Recently, graph wavelet neural network (GWNN) has made a significant improvement for this task. However, GWNN is usually shallow based on a one- or two-hop neighborhood structure, making it unable to obtain sufficient global information to make it better. But, if GWNN merely stacks too many ...
Graph Wavelet Neural Network 论文标题 Graph Wavelet Neural Network 论文来源 ICLR 2019, 论文PDF 论文代码 https://github.com/benedekrozemberczki/GraphWaveletNeuralNetwork 1 背景梳理 对于自然界中广泛存在的非欧式拓普数据,即图(Graph),的研究得到了广泛关注,为了有效提取图的特征表达,图神经网络(GNN)等一类优...
Graph Wavelet Neural Network 论文标题 Graph Wavelet Neural Network 论文来源 ICLR 2019, 论文PDF 论文代码 https://github.com/benedekrozemberczki/GraphWaveletNeuralNetwork 1 背景梳理 对于自然界中广泛存在的非欧式拓普数据,即图(Graph),的研究得到了广泛关注,为了有效提取图的特征表达,图神经网络(GNN)等一类优...
Graph Wavelet Neural Network. Bingbing Xu, Huawei Shen, Qi Cao, Yunqi Qiu, Xueqi Cheng. ICLR, 2019.[Paper] Requirements The codebase is implemented in Python 3.5.2. package versions used for development are just below. networkx 1.11 tqdm 4.28.1 numpy 1.15.4 pandas 0.23.4 texttable 1.5.0...
作者对于直接操作于图结构数据的网络模型根据频谱图卷积(Hammond等人于2011年提出的Wavelets on graphs via spectral graph theory)使用一阶近似简化计算的方法,提出了一种简单有效的层式传播方法。 作者验证了图结构神经网络模型可用于快速可扩展式的处理图数据中节点半监督分类问题,作者通过在一些公有数据集上验证了自...
Network Embedding as Matrix Factorization: Unifying DeepWalk, LINE, PTE, and node2vec Jiezhong Qiu, Yuxiao Dong, Hao Ma, Jian Li, Kuansan Wang, Jie Tang WSDM 2018 Learning Structural Node Embeddings via Diffusion Wavelets Claire Donnat, Marinka Zitnik, David Hallac, Jure Leskovec ...