图自编码器用于学习网络中的嵌入,以及生成图的生成式分布。图自编码器被广泛应用于社交网络分析、生物信息学和推荐系统中。通过学习有效的图表示,图自编码器有助于对复杂关系数据的理解和应用。 Spatial-temporal graph neural networks (STGNNs) 时空图神经网络 时空图神经网络用于从时空图中,学习隐藏的模式。时空数...
这里有一份不错的资源 点击[图神经网络综述:模型与应用]即可获取～ 你觉得这个资源能帮到你不,要是还有其他资源需求,尽管告诉我哦～
在2.3 节中,文章介绍了近年来文献中提出的图神经网络通用框架 MPNN(Message Passing Neural Network)、NLNN(Non-local Neural Network)以及 Deepmind 的 GN(Graph Network)。 MPNN 将模型总结为信息传递阶段和节点更新阶段,概括了多种图神经网络和图卷积神经网络方法。NLNN 总结了很多种基于自注意力机制的方法。GN 提...
早期的不变图神经网络包括DTNN、MPNN和MV-GNN,它们使用相对距离进行边构造。近年来,不变图神经网络在消息传递机制上进一步发展,从相对距离扩展到边之间的角度或二面角等不变标量。其中,SchNet使用连续滤波器卷积条件于相对距离,DimeNet提出了方向性消息...
近年来,GNNs因其处理图结构数据的能力而广受欢迎。这进而促使时间序列分析领域近年来开发出时空GNNs,以模拟变量之间以及跨时间点的依赖关系。本文介绍一篇系统性文献综述,该综述探讨了时空图神经网络(GNNs)模型在不同领域时间序列分类和预测问题中...
ERNIESage由PGL团队提出,是ERNIE SAmple aggreGatE的简称,该模型可以同时建模文本语义与图结构信息,有效提升 Text Graph 的应用效果。其中ERNIE是百度推出的基于知识增强的持续学习语义理解框架。 ERNIESage是 ERNIE 与 GraphSAGE 碰撞的结果,是 ERNIE SAmple aggreGatE 的简称,它的结构如下图所示,主要思想是通过 ERNIE ...
时空图神经网络的研究主要集中在变量时间序列上,这些时间序列可以自然地抽象成时空图。 在时空图中,节点代表特定时间步的变量,边表示变量之间的关系,这种表示假设节点的特征信息依赖于其自身的历史值以及其邻居节点的历史数据。 设计时空GNNs模型有两种主要方法:一种是在不同的模块中分别处理空间和时间子结构,另一种是...
图神经网络(Graph Neural Network,简称GNN)是一种深度学习模型,适用于处理图结构数据。在基于物理的机器学习模型中,GNN能够捕捉数据之间的复杂关系,从而更好地进行预测和推理。一、GNN的基本原理GNN通过将节点和边的信息聚合到邻居节点,并逐层传递更新节点的表示,从而学习图数据的内在结构和模式。这种层级聚合和传递的...
GNN 的第一个动机源于卷积神经网络(CNN)。CNN 的广泛应用带来了机器学习领域的突破并开启了深度学习的新时代。然而 CNN 只能在规则的 Euclidean 数据上运行,如图像(2 维网格)和文本(1 维序列)。如何将 CNN 应用于图结构这一非欧几里德空间,成为 GNN 模型重点解决的问题。