【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 ...
原文：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： , ICLR论文地址：download论文代码：download Introduction GNN 目前主流的做法是递归迭代聚合一阶邻域表征来更新节点表征，如 GCN 和 GraphSAGE， ...
2022-03-05 16:32 0 2134 推荐指数：
相关推荐
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 ...
《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 ...
论文解读《ImageNet Classification with Deep Convolutional Neural Networks》
这篇论文提出了AlexNet，奠定了深度学习在CV领域中的地位。 1. ReLu激活函数 2. Dropout 3. 数据增强 网络的架构如图所示 包含八个学习层：五个卷积神经网络和三个全连接网络，并且使用了最大池化。 RELU非线性层 传统的神经网络的输出包括$tanh ...
ImageNet Classification with Deep Convolutional Neural Networks 论文解读
这个论文应该算是把深度学习应用到图片识别（ILSVRC，ImageNet large-scale Visual Recognition Challenge)上的具有重大意义的一篇文章。因为在之前，人们一直质疑深度学习的强大有能力。 大家看看它的引用数目就知道它很厉害了，，9000多的引用 ...
论文解读《Understanding the Effective Receptive Field in Deep Convolutional Neural Networks》
感知野的概念尤为重要，对于理解和诊断CNN网络是否工作，其中一个神经元的感知野之外的图像并不会对神经元的值产生影响，所以去确保这个神经元覆盖的所有相关的图像区域是十分重要的；需要对输出图像的单个像素进 ...
neural style论文解读
相关的代码都在Github上，请参见我的Github，https://github.com/lijingpeng/deep-learning-notes 敬请多多关注哈~~~ 概述 在艺术领域，艺 ...
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 ...