- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据派THU
比9种SOTA GNN更强！谷歌大脑提出全新图神经网络GKATs
不仅解决了计算复杂度问题，还被证明优于9种SOTA GNN。 从社交网络到生物信息学，再到机器人学中的导航和规划问题，图在各种现实世界的数据集中普遍存在。 于是乎，人们对专门用于处理图结构数据的图神经网络（GNN）产生了极大的兴趣。 尽管现代GNN在理解图形数据方面取得了巨大的成功，但在有效处理图形数据方面仍然存在一些挑战。 为解决这些问题，谷歌大脑、哥伦比亚大学和牛津大学的研究团队提出了一类新的图神经网络：Graph Kernel Attention Transformers（GKATs）。 优于9种SOTA GNN Erdős-Rényi随机图： 作者使用了五个二元分类数据集，包括与主题相连的随机ER图（正例）或与模体具有相同平均度的其他较小ER图（负面例子）。 作者在9个标准和公开的生物信息学和社交网络数据集上测试了GKAT的图分类任务。 对于每个数据集，表现最好的方法被加粗显示，第二的由下划线表示。
63630编辑于 2023-03-29 - 来自专栏新智元
比9种SOTA GNN更强！谷歌大脑提出全新图神经网络GKATs
不仅解决了计算复杂度问题，还被证明优于9种SOTA GNN。 从社交网络到生物信息学，再到机器人学中的导航和规划问题，图在各种现实世界的数据集中普遍存在。 于是乎，人们对专门用于处理图结构数据的图神经网络（GNN）产生了极大的兴趣。 尽管现代GNN在理解图形数据方面取得了巨大的成功，但在有效处理图形数据方面仍然存在一些挑战。 为解决这些问题，谷歌大脑、哥伦比亚大学和牛津大学的研究团队提出了一类新的图神经网络：Graph Kernel Attention Transformers（GKATs）。 优于9种SOTA GNN Erdős-Rényi随机图 作者使用了五个二元分类数据集，包括与主题相连的随机ER图（正例）或与模体具有相同平均度的其他较小ER图（负面例子）。 作者在9个标准和公开的生物信息学和社交网络数据集上测试了GKAT的图分类任务。 对于每个数据集，表现最好的方法被加粗显示，第二的由下划线表示。 ?
58060发布于 2021-07-29 - 来自专栏Android-薛之涛
Android-.9图详解
Android设备适配，图片方面很重要的一部分就是.9图的使用了，我们今天就来记录一下。 1. 什么是.9.png图片，和普通png图片的区别？ .9.png图片本质上还是png图片，区别是.9.png图比正常的png图片在最外围多了1px的边框，这就允许我们在这个1px的边框上定义图片的可拉伸区域以及图片的内容区域。 这也就是说.9.png的制作实际上就是我们在这1px的边框上按我们的需求,把对应位置设置为黑线，然后系统帮我们自动拉伸了。 2. .9图四个边的黑线(黑点)的意义？ 正常显示 可以看到，如果我们的文字少还可以，如果文字过多，就会出现背景图不能随文字的增多而自动拉伸，真丑。 开始制作.9图 先说一下底部复选框的含义： ? 3.如果发现你的点9图片太小或者极小，可以拖动图片下方的zoom放大图片，然后就可以精确操作了。 .9图各边框含义 ? image.png 处理为.9图之后 ? .9图显示 完毕！
3.9K20发布于 2018-10-09 - 来自专栏强化学习专栏
图神经网络（GNN）
文章分类在学习摘录和笔记专栏： 学习摘录和笔记（26）---《图神经网络（GNN）》 图神经网络（GNN） 1 图神经网络（GNN）介绍 图不但包含数据，也包含数据之间的依赖关系，因而图神经网络 图神经网络（GNN）最擅长处理和建模图结构数据。 GNN的工作原理简单概况就是，聚合节点的邻居节点/边的信息，来更新节点的向量表征。 最后，清楚图的结构和转化后，该如何选择合适的图神经网络进行学习？ 1. 对于同构图，总结了一类成为homogeneous GNN的图神经网络类型。 常见的有基于元路径的（meta-path based），关系神经网络延伸的（R-GNN based）等等。 语义角色标注（Semantic Role Labelling） 参考：新智元 《自然语言处理中图神经网络从入门到精通》 文章若有不当和不正确之处，还望理解与指出。
50510编辑于 2024-12-03 - 来自专栏自然语言处理
图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 ()) degree_sequence = list(G_karate.degree()) [(0, 16), (1, 9), (2, 10), (3, 6), (4, 3), (5, 4), (6, 4), (7, 4), (8, 5), (9, 2), (10, 3), (11, 1), (12, 2), (13, 5), (14, 2), (15, 2), (16, 2), (17, 2), ( ), (1, 2), (1, 3), (1, 7), (1, 13), (1, 17), (1, 19), (1, 21), (1, 30), (2, 3), (2, 7), (2, 8), (2, 9) 传统同构图（Homogeneous Graph）数据中只存在一种节点和边，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间。
3.5K32发布于 2021-01-27 - 来自专栏图学习
图神经网络基础
图神经网络基础 图神经网络用于挖掘事物的“普遍联系”，理解原理、应用技术。本文汇总图神经网络相关介绍和基础模型。 图及特性 图是由顶点和边组成的，如下图左所示。 [7d72ac39e692436089a88cd60a442ba9.jpg] 为什么需要图神经网络 [image-20210908183829949.png] 图神经网络提出的目的是针对图这种非欧几里得数据来学习图网络中的实体 图神经网络的机制 [02f669ed-d162-461c-9fd7-bb16a8125b85.png] 首先从一种最简单的图结构，也就是如上图所示的链条结构开始，实际上这个结构可以看作是一种有向图。 由此我们可以粗浅地给图神经网络模型下一个定义，针对图结构这一非欧几里得结构数据，利用神经网络来聚合邻域信息，从而更新节点或者边的表达的模型就可以称为是图神经网络。 [eb7ea9eeb2004835aec7af232de947fe.gif] 图神经网络是直接在图上进行计算，整个计算的过程，沿着图的结构进行，这样处理的好处是能够很好的保留图的结构信息。
2.3K113发布于 2021-11-04 - 来自专栏算法之名
图神经网络整理
关于图的概念可以参考图论整理 ，这里不再赘述。 图神经网络Graph neural networks(GNNs)是深度学习在图领域的基本方法，它既不属于CNN，也不属于RNN。 这个是图神经网络核心的概念。 图任务(Graph Tasks) 上图是一个节点的分类任务，在左边的部分，有些节点有颜色，有些节点没颜色。 图神经网络很难可视化，它不像图像或者声音那样有可以确定的样子和波形，过于抽象，错综复杂。 在a图的CNN中的中间层是一个3*3的卷积核，往下扩大就是一个5*5的卷积核，再往下扩大的话可以扩大到7*7、9*9。 图卷积神经网络(Graph Convolution Networks) GCN是一种可以直接作用于图上的卷积神经网络，它能够提取图的特征。
1K40编辑于 2022-05-06 - 来自专栏机器学习与推荐算法
从图嵌入算法到图神经网络
在这之后，图嵌入算法逐渐过渡到神经网络时代，涌现出一大批优质的图神经网络模型，包括 SDNE (2016) 与 GraphSAGE (2017) 等等，在工业界大放异彩。 依据 Wu et. al (2019) 的定义，图神经网络可分为五大类： 图卷积网络(Graph Convolution Networks)：简称为 GCN，是目前最主流的图神经网络算法，其余四种图神经网络皆由 image.png 总结 图神经网络相对于传统的卷积神经网络和循环神经网络的不同之处，在于其高度的可塑性和多样性。 以下呈现笔者总结的模型择优策略，供读者参考： 【1】任务目的：图分类【2】、节点分类【3】、节点嵌入【4】、关系预测【15】 【2】数据规模：大型【9】、小型【10】 【3】数据规模：大型【5】、小型【 邻接矩阵是否稀疏：是【11】、否【12】 【7】使用邻接矩阵或是使用节点的固有特征：邻接矩阵【8】、节点特征【13】 【8】使用能进行节点级别分类任务的 <基于谱的图卷积网络>, e.g. 1stChebNet 【9】
2.2K31发布于 2020-04-21 - 来自专栏机器学习/数据可视化
图神经网络3-图神经网络的基础、前言和应用
公众号：尤而小屋作者：Peter编辑：Peter图神经网络GNN和传统深度学习网络的对比：循环神经网络（1997）和卷积神经网络（2012）：擅长处理图像等欧式数据或者文本和信号等序列数据图神经网络：擅长处理社交网络 、推荐系统、药物发现和程序分析中的图和流行结构等数据图结构数据不适合高度规则化的神经网络结构，比如RNN或者CNN等。 图神经网络基础GNN方法GNN的理论理解GNN的可扩展性GNN的可解释性GNN的对抗鲁棒性GNN方法GNN是专门设计的用于在图结构数据上进行操作的神经网络架构，其目的是通过聚合邻居节点的表征及其前一次迭代中的表征来迭代更新节点表征 有监督的GNN无监督的GNN训练深度图神经网络的问题：过平滑问题（其中所有的节点都有类似的特征）GNN的理论理解GNN能够达到一维Weisfeiler-Lehman测试的表达能力，甚至超越该能力，包含附加随机属性 对抗性攻击对抗性训练图神经网络前沿图分类和预测链接图生成和图转换图匹配和图结构学习动态图神经网络异质图神经网络基于图神经网络的AutoML和自监督学习图神经网络应用图构建：具有显式或隐式图结构的输入数据图表征学习
41700编辑于 2023-11-23 图神经网络入门指南
图神经网络入门指南神经网络已经适应了图的结构和特性。我们探讨了构建图神经网络所需的组件，并解释了其背后的设计选择。将鼠标悬停在下图中的一个节点上，观察它如何通过网络中的各层从周围节点累积信息。 图神经网络图神经网络（GNN）是对图的所有属性（节点、边、全局上下文）进行可优化的变换，同时保持图的对称性（置换不变性）。GNN 采用“图输入，图输出”的架构。 所有聚合后的消息通过一个更新函数（通常是一个学习到的神经网络）。通过堆叠消息传递 GNN 层，一个节点最终可以整合来自整个图的信息。 GCN 作为子图函数近似器：k 层的 GCN 可以看作是在大小为 k 的子图的学习嵌入上操作的神经网络。边与图的对偶：图 G 上的边预测任务可以表述为 G 的对偶图上的节点级别预测。 本文概述了研究人员在构建基于神经网络的图处理模型方面的一些里程碑，并探讨了使用这些架构时必须做出的一些重要设计选择。近年来 GNN 的成功为各种新问题创造了巨大机遇。FINISHED
9410编辑于 2026-04-17- 来自专栏运维之美
9 张图带你搞懂 Istio
图 1 显示了一个 Kubernetes 集群，该集群有两个节点和 4 个 Pod，每个 Pod 都有一个容器。 我们可以在图 2 中看到更多细节: 图 2 显示了与图 1 相同的示例，只是更详细一些。Kubernetes 中的服务是由运行在每个节点上的 Kube-proxy 组件实现的。 在图 2 中，我们看到 Kubernetes API 对每个 Kube-proxy 进行编程。每当服务配置或服务的 Pods 发生更改时，就会发生这种情况。 Kubernetes Istio 现在我们来看一个配置了 Istio 的相同示例: 图 3 显示安装了 Istio，它随 Istio 控制平面一起提供。 这里发生了什么图 1-5 显示了使用 Nginx 和 Python Pod 的 Kubernetes 应用程序的相同示例。
3.6K21发布于 2020-12-08 - 来自专栏前端知识分享
第9天：CSS精灵图
今天重点学习了CSS精灵图。 “CSS精灵”，英语css sprite，所以也叫做“CSS雪碧”技术。 但是用了css精灵，小图片变为了一张图，http请求只有1个了。 DOCTYPE html> 2 <html lang="en"> 3 <head> 4 <meta charset="UTF-8"> 5 <title>精灵图练习</title> 6 <style> 7 .box{ 8 height:138px; 9 } 10 .box span{ 11
1.2K30发布于 2018-09-11 - 来自专栏深度学习
9种神经网络优化算法详解
理解全局最小化和局部最小化局部最小化：Local Minima全局最小化：Global Minima优化器如何工作优化器是用于改变神经网络属性（例如权重和学习率）的算法或方法，以减少损失。 正在上传图片...同样，在训练神经网络时，我们无法从一开始就确定模型的权重应该是什么，但可以通过基于损失函数的不断调整（类似于判断登山者是否在下山）来逐步接近目标。 优化器的作用就在于此: 它决定了如何调整神经网络的权重和学习率以减少损失。优化算法通过不断优化损失函数，帮助模型尽可能地输出准确的结果。 9种优化器列举9种不同类型的优化器以及它们是如何精确地工作以最小化损失函数的。 3.7793, 3.5844], [3.1313, -3.2832, -1.8481], c='b', s=100, label="Local Minima")plt.legend()plt.show()优化器9：
1.7K10编辑于 2025-02-07 - 来自专栏神经网络和深度学习
9 神经网络: 学习(Neural Networks: Learning)
Checking) 9.6 随机初始化(Random Initialization) 9.7 综合起来(Putting It Together) 9.8 自主驾驶(Autonomous Driving) 9 神经网络: 学习(Neural Networks: Learning) 9.1 代价函数(Cost Function) 神经网络的分类问题有两种： •二元分类问题(0/1分类) 只有一个输出单元 (K Rm: 即 m 维向量 Rm×n: 即 m×n 维矩阵 再次可见，神经网络背后的思想是和逻辑回归一样的，但由于计算复杂，实际上神经网络的代价函数 J(Θ) 是一个非凸(non-convex)函数。 《机器学习》一书中提到的 BP 网络强大之处： 任何布尔函数都可由两层神经网络准确表达，但所需的中间单元的数量随输入呈指数级增长; 任何连续函数都可由两层神经网络以任意精度逼近; 任何函数都可由三层神经网络以任意程度逼近 9.7 综合起来(Putting It Together) 一般来说，应用神经网络有如下步骤： 4.神经网络的建模（后续补充） –选取特征，确定特征向量 x 的维度，即输入单元的数量。
74640发布于 2020-07-09 - 来自专栏大数据和机器学习
图神经网络模型总结
image.png 二、图有两个基本特征： 每个节点都有自己的特征信息 图谱中的每个节点还具有结构信息 图神经网络相关： 在了解图神经网络之前，我们来复习一下与图神经网络相关的一些概念 一、Graph deep learning方法搭建的网络统称为图神经网络GNN 图神经网络 图神经网络(Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称，根据采用的技术不同和分类方法的不同 图神经网络是一种直接作用在图结构上面的神经网络。 一、定义 在论文《Relational inductive biases, deep learning, and graph networks》中作者定义了图神经网络的通用结构，也就是现在的图神经网络的开山鼻祖 [9]https://yq.aliyun.com/articles/694432 图神经网络简介 [10]https://mp.weixin.qq.com/？
2.6K11发布于 2020-01-20 - 来自专栏图与推荐
漫谈图神经网络 (二)
从图(Graph)到图卷积(Graph Convolution): 漫谈图神经网络 (二) 作者: SivilTaram 编辑: Houye 在从图(Graph)到图卷积(Graph Convolution ): 漫谈图神经网络 (一)中，我们简单介绍了基于循环图神经网络的两种重要模型，在本篇中，我们将着大量笔墨介绍图卷积神经网络中的卷积操作。 接下来，我们将首先介绍一下图卷积神经网络的大概框架，借此说明它与基于循环的图神经网络的区别。接着，我们将从头开始为读者介绍卷积的基本概念，以及其在物理模型中的涵义。 这两条实际上也是后续图卷积神经网络的设计原则，图卷积的本质是想找到适用于图的可学习卷积核。 图卷积框架(Framework) 上面说了图卷积的核心特征，下面我们先来一窥图卷积神经网络的全貌。 如何通俗易懂地解释卷积, https://www.zhihu.com/question/22298352 [9]. https://en.wikipedia.org/wiki/Convolution [
1.5K32发布于 2020-04-07 - 来自专栏Tom
Cora图神经网络Pytorch
return test_acc 输出： 正如我们看到的，效果很差，一个重要的原因就是有标签的节点数量过少，训练的时候会有一些过拟合 接下来我们介绍图卷积神经网络： 然后开始构建我们的图神经网络： ： 通过visualize的函数处理，7维特征的节点被映射到2维的平面上，可以看到有点“同类节点群聚”的现象 接下来，构建我们的图神经网络： from torch_geometric.nn import test_acc test_acc=test() print(f"Test Accuracy:{test_acc:.4f}") 输出： 可以看到准确率已经提高到了80%，与前面获得59%的测准确率的MLP图神经网络相比 ，GCN图神经网络准确性要高的多，这表明节点的邻接信息再取得更好的准确率方面起着更关键的作用。 再来做个图看看吧： 通过上面这个图发现，同类节点群聚的现象更加明显了，这意味着在训练后，GCN图神经网络生成的节点表征质量更高了。 完
59610编辑于 2024-02-01 - 来自专栏图与推荐
漫谈图神经网络 (一)
从图(Graph)到图卷积(Graph Convolution): 漫谈图神经网络 (一) 作者: SivilTaram 编辑: Houye 作者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些 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 不过，因为图神经网络的发展分支非常之多，笔者某些叙述可能并不全面，一家之言仅供各位读者参考： 图神经网络的概念最早在2005年提出。 在下一篇中，我们将介绍图卷积神经网络。它摆脱了基于循环的方法，开始走向多层图神经网络。 https://www.zhihu.com/question/54504471 [9].
1.5K21发布于 2020-04-07 - 来自专栏自然语言处理
图神经网络14-TextGCN:基于图神经网络的文本分类
或多或少接触NLP的同学，应该比较清楚目前文本分类的模型众多，比如Text-RNN(LSTM)，Text-CNN等，但是当时很少有关于将神经网络用于文本分类的任务中。 GCN属于一类图形神经网络，称为消息传递网络，其中消息（在这种情况下，边缘权重乘以节点表示形式）在邻居之间传递。 我们可以将这些消息传递网络视为帮助学习节点表示的方法，该节点表示法考虑了其图结构的附近邻居。因此，图的构造方式，即在哪些节点之间形成哪些边，非常重要。 Text-GCN：基于图神经网络的文本分类 ? 文本Graph的构建 构造“文本”图的细节如下。首先，节点总数是文档 ? 数加上不同词语 ? 的个数。节点特征矩阵是恒等矩阵 ? 总的来说，我认为本文显示了图神经网络的强大能力及其在我们可以定义和构建某种有用图结构的任何领域中的适用性。
3.7K32发布于 2021-06-01 - 来自专栏图与推荐
漫谈图神经网络 (三)
从图(Graph)到图卷积(Graph Convolution): 漫谈图神经网络 (三) 作者: SivilTaram 编辑: Houye 恭喜你看到了本系列的第三篇！ 前面两篇分别介绍了基于循环的图神经网络和基于卷积的图神经网络，那么在本篇中，我们则主要关注在得到了各个结点的表示后，如何生成整个图的表示。 图读出操作(ReadOut) 图读出操作，顾名思义，就是用来生成图表示的。它的别名有图粗化(翻译捉急，Graph Coarsening)/图池化(Graph Pooling)。 这就是典型的**图重构(Graph Isomorphism)**问题。比如下面左右两个图，其实是等价的： ? 图重构 为了使得同构图的表示能够保持一致，图读出的操作就需要对结点顺序不敏感。 基于学习的方法(Learning Category) 基于统计的方法的一个坏处大概是它没办法参数化，间接地难以表示结点到图向量的这个“复杂”过程。基于学习的方法就是希望用神经网络来拟合这个过程。
62731发布于 2020-04-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号