作者:湖南美景创意动画设计有限公司 | 来源:互联网 | 2023-06-08 04:30
深入浅出图神经网络:GNN原理解析https:cread.jd.comeadstartRead.action?bookId30567027&readType1 作者:ZZU_ch
深入浅出图神经网络:GNN原理解析
https://cread.jd.com/read/startRead.action?bookId=30567027&readType=1
作者:ZZU_chenhao 仅仅是一名普通的研究生而已。
原创 【学习日记】《深入浅出:图神经网络》:第四天---表示学习 表示学习 表示,通俗的理解就是特征。 表示学习是指可以自动的从数据中去学习“有用”的特征,并可以直接用于后续的具体任务的方法。 1. 表示学习 1.1 表示学习的意义 机器学习算法的性能严重依赖于特征,因此在传统机器学习中,大部分的工作都在于数据的处理和转换上,以期得到好的特征使得机器学习算法更有效。 这样的特征工程是十分费力的,因为这种方法没有能力从数据中去获得有用的知识,而特征工程的目的则... 2020-01-13 15:55:45 1750 5
原创 【学习日记】《深入浅出:图神经网络》:第三天---卷积神经网络 卷积神经网络 1. 卷积与池化 1.1 图像中的卷积 我们以图像为例来直观的理解卷积。 计算机中的图像通常都是按照像素点以离散的形式存储的,可以用一个二维或三维的矩阵来表示。假设对于一个二维的图像X∈R^ (HxW),卷积核为G∈R ^ (kxk),通常K为奇数。 则有,先将卷积核旋转180度,然后在输入中的对应位置取一个大小为k*k的区域,与旋转后的卷积核求内积,得到对应位置的输出。 1.... 2020-01-13 10:10:52 497 0
原创 【学习日记】《深入浅出:图神经网络》:第二天---神经网络基础 神经网络基础 1. 机器学习基本概念 1.1 机器学习分类 根据训练数据是否带有标签,可以分为: 监督学习 指的是训练数据中每个样本都有标签,通过标签可以指导模型进行学习,学到具有判别性的特征,从而对未知样本进行预测。 无监督学习 指的是训练数据完全没有标签,通过算法从数据中发现一些数据之间的约束关系,比如数据之间的关联、距离关系等。 半监督学习 指的是介于监督学习与无监督学习之间... 2020-01-10 10:33:01 1677 1
原创 【学习日记】《深入浅出:图神经网络》:第一天---图的概述 图的概述 1. 图的基本定义 图由顶点(Vertex)以及连接顶点的边(Edge)构成。其中,顶点表示研究的对象,边表示两个对象之间特定的关系。 图可以表示为顶点和边的集合,记为G=(V,E) 同时,我们设图G的顶点数为N,边数为M。 1.1 图的基本类型 可以分为: 有向图和无向图 加权图和非加权图 连通图和非连通图 二部图 其中,二部图指的是:我们将G中的顶点集合V拆分成两个子集A和B,... 2020-01-09 16:35:14 1500 0
|
|
|
|
封面
版权信息
前言
第1章 图的概述
1.1 图的基本定义
1.1.1 图的基本类型
1.1.2 邻居和度
1.1.3 子图与路径
1.2 图的存储与遍历
1.2.1 邻接矩阵与关联矩阵
1.2.2 图的遍历
1.3 图数据的应用场景
1.4 图数据深度学习
1.5 参考文献
第2章 神经网络基础
2.1 机器学习基本概念
2.1.1 机器学习分类
2.1.2 机器学习流程概述
2.1.3 常见的损失函数
2.1.4 梯度下降算法
2.2 神经网络
2.3 激活函数
2.3.1 S型激活函数
2.3.2 ReLU及其变种
2.4 训练神经网络
2.4.1 神经网络的运行过程
2.4.2 反向传播
2.4.3 优化困境
2.5 参考文献
第3章 卷积神经网络
3.1 卷积与池化
3.1.1 信号处理中的卷积
3.1.2 深度学习中的卷积操作
3.1.3 池化
3.2 卷积神经网络
3.2.1 卷积神经网络的结构
3.2.2 卷积神经网络的特点
3.3 特殊的卷积形式
3.1.1 1×1卷积
3.3.2 转置卷积
3.3.3 空洞卷积
3.3.4 分组卷积
3.3.5 深度可分离卷积
3.4 卷积网络在图像分类中的应用
3.4.1 VGG
3.4.2 Inception系列
3.4.3 ResNet
3.5 参考文献
第4章 表示学习
4.1 表示学习
4.1.1 表示学习的意义
4.1.2 离散表示与分布式表示
4.1.3 端到端学习是一种强大的表示学习方法
4.2 基于重构损失的方法—自编码器
4.2.1 自编码器
4.2.2 正则自编码器
4.2.3 变分自编码器
4.3 基于对比损失的方法—Word2vec
4.4 参考文献
第5章 图信号处理与图卷积神经网络
5.1 矩阵乘法的三种方式
5.2 图信号与图的拉普拉斯矩阵
5.3 图傅里叶变换
5.4 图滤波器
5.5 图卷积神经网络
5.6 GCN实战
5.7 参考文献
第6章 GCN的性质
6.1 GCN与CNN的联系
6.2 GCN能够对图数据进行端对端学习
6.3 GCN是一个低通滤波器
6.4 GCN的问题—过平滑
6.5 参考文献
第7章 GNN的变体与框架
7.1 GraphSAGE
7.1.1 采样邻居
7.1.2 聚合邻居
7.1.3 GraphSAGE算法过程
7.2 GAT
7.2.1 注意力机制
7.2.2 图注意力层
7.2.3 多头图注意力层
7.3 R-GCN
7.4 GNN的通用框架
7.4.1 MPNN
7.4.2 NLNN
7.4.3 GN
7.5 GraphSAGE实战
7.6 参考文献
第8章 图分类
8.1 基于全局池化的图分类
8.2 基于层次化池化的图分类
8.2.1 基于图坍缩的池化机制
8.2.2 基于TopK的池化机制
8.2.3 基于边收缩的池化机制
8.3 图分类实战
8.4 参考文献
第9章 基于GNN的图表示学习
9.1 图表示学习
9.2 基于GNN的图表示学习
9.2.1 基于重构损失的GNN
9.2.2 基于对比损失的GNN
9.3 基于图自编码器的推荐系统
9.4 参考文献
第10章 GNN的应用简介
10.1 GNN的应用简述
10.2 GNN的应用案例
10.2.1 3D视觉
10.2.2 基于社交网络的推荐系统
10.2.3 视觉推理
10.3 GNN的未来展望
10.4 参考文献
附录A 符号声明