论文解读（GIN）《How Powerful are Graph Neural Networks》
论文信息 论文标题：How Powerful are Graph Neural Networks论文作者：Keyulu Xu, Weihua Hu, J. Leskovec, S. Jegelka论文来源：2019, ICLR论文地址：download 论文代码：download ...
原文：【大综解读】A Comprehensive Survey on Graph Neural Networks
本文主要贡献 新的分类模式：我们提出了一种新的图神经网络分类法。图神经网络分为四类：递归图神经网络 卷积图神经网络 图自动编码器和时空图神经网络。 全面的论述：我们提供了图形数据的现代深度学习技术的最全面的概述。对于每种类型的图神经网络，我们提供了代表性模型的详细描述，进行了必要的比较，并总结了相应的算法。 丰富的资源指导：我们收集了大量关于图神经网络的资源，包括最先进的模型 基准数据集 开源代码 ...
2021-11-04 15:13 0 203 推荐指数：
相关推荐
解读 intriguing properties of neural networks
题目：神经网络的隐藏属性 作者：一作： Christian Szegedy (GooLeNet, BN) 三作： Ilya Sutskever (AlexNet二作，S2S) 六作：Ia ...
Graph Neural Networks：谱域图卷积
以下学习内容参考了：🔗1，🔗2， 0、首先回忆CNN，卷积神经网络的结构和特点 处理的数据特征：具有规则的空间结构（Euclidean domains），都可以采用一维或者二维的矩阵描述。（Convolutional neural network (CNN) gains great ...
Exploiting Edge Features in Graph Neural Networks
介绍 现如今图神经网络取得了很大进展，最典型的两个模型是GCN模型和GAT模型，然而现有的图神经模型仍然存在以下两个问题： 边特征未被有效考虑。比如GAT只考虑两个节点之间是否有边(bina ...
《Population Based Training of Neural Networks》论文解读
很早之前看到这篇文章的时候，觉得这篇文章的思想很朴素，没有让人眼前一亮的东西就没有太在意。之后读到很多Multi-Agent或者并行训练的文章，都会提到这个算法，比如第一视角多人游戏(Quake ...
Graph Attention Networks (GAT) 代码解读
Graph Attention Networks (GAT) 代码解读 1.1 代码结构 1.2 参数设置 GAT/execute_cora.py 1.3 导入数据 GAT源码默认使用的Cora数据集。Cora的相关代码介绍可以参考这里 数据预处理部分和GCN源码相同，可以参考 ...
论文解读（GAT）《Graph Attention Networks》
论文标题：Graph Attention Networks 论文方向：图像领域 论文来源：ICLR 2018 论文链接：https://arxiv.org/abs/1710.10903 论文代码：https://github.com/PetarV-/GAT 1 介绍 ...
《Graph Neural Networks: A Review of Methods and Applications》阅读笔记
本文是对文献 《Graph Neural Networks: A Review of Methods and Applications》 的内容总结，详细内容请参照原文。 引言 大量的学习任务都要求能处理包含丰富的元素间关联关系的图数据，例如物理系统建模、疾病分类以及文本和图像等非 ...