《图深度学习》是由马耀、汤继良合著，王怡琦、金卫翻译，电子工业出版社于2021年出版的学术专著。马耀时任新泽西理工学院助理教授，专注于图神经网络研究；汤继良为密歇根州立大学助理教授，研究方向涵盖图表征学习与深度学习应用。译者王怡琦、金卫为密歇根州立大学博士研究生。全书分为基础理论、模型方法、实际应用和前沿进展四部分。基础理
神经网络模型(或简称NN)及其扩展家族,包括卷积神经网络、循环神经网络,当然还有图神经网络,都是深度学习算法的一种类型。 深度学习是一种机器学习算法,而机器学习又是人工智能的一个子集。 一切都始于谦卑的线性方程。 如果我们将这个方程结构化为一个感知器,我们可以看到: 其中输...
在金融行业,图深度学习可用于检测异常交易模式和网络,有效识别欺诈行为。 4. 面临的挑战 图深度学习虽然在多个领域表现出色,但仍然面临一些技术和应用上的挑战: 4.1 尺度问题 图数据往往可以非常庞大,包含成千上万甚至更多的节点和边。处理大规模图数据时,计算和存储资源的需求非常高,这使得扩展图神经网络成为一个挑战。
针对上面这些错综复杂的数据,传统的深度学习模型很难处理,因此出现了图学习,图学习也属于深度学习的范畴,但他们专门针对这种复杂的图数据结构。 一般的深度学习:善于发现有规则数据中潜在的模式,但很难处理不规则数据。 图学习:可以很方便地处理不规则数据(图),充分利用图结构信息。 图学习的应用? 深度学习可以用来对...
最近,GNN与深度强化学习相结合,用于在一系列问题中做出决策,例如GNN用于处理图信息并提高分布式计算中的协同流间调度能力[17]。 GNN适用于通信网络中的问题,因为它们具有很强的学习能力,可以捕获隐藏在网络拓扑中的空间信息,并且它们具有在网络动态时用于看不见的拓扑的泛化能力。正如本次综述所讨论的,基于GNN的解决...
3 图像语义分割的深度学习方法 3.1 全卷积网络 卷积网络最初用于分类任务,通过多个卷积层处理输入图像,最后通过全连接层和softmax输出层学习类别概率分布。在FCN中,全连接层被卷积层替换,允许按像素对图像进行分类(图2),具有两个好处:适用于任何分辨率的图像,参数较少,训练和推理更快。这种方法在图像分割领域取得了...
计图（Jittor）是清华大学自主研发的深度学习框架，它支持元算子和即时编译，提供了图像分类等多种深度学习任务的实现示例和教程。Jittor具有高效的计算能力和灵活的编程接口。和其他深度学习框架（如TensorFlow、PyTorch）类似，Jittor的目标是帮助开发者更方便地构建和训练神经网络模型。一、特点 1. 高性能计算 Jittor采用...
在正式开始前,先找准图神经网络GNN(Graph Neural Network)的位置。 图神经网络GNN是深度学习的一个分支。 深度学习的四个分支对应了四种常见的数据格式,前馈神经网络FNN处理表格数据,表格数据可以是特征向量,卷积神经网络CNN处理图像数据,循环神经网络RNN处理时序数据,图神经网络GNN处理图数据。
图深度学习通过使用一个图神经网络代替这个三阶段的过程为其提供了一种现代化的视角。例如，在动态图卷积网络或 DGM 中，构建图和学习的过程都是同一个架构中的某一部分：图 6：可以将隐图学习看做一种现代环境下的流形学习问题，其中将图作为一个端到端的 GNN 工作流程的一部分进行学习，并为某些下游任务对其...