开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

GNN层如何知道批次中的哪个图具有给定的节点和节点特征？

GNN层通过使用节点索引和节点特征矩阵来确定批次中具有给定节点和节点特征的图。具体来说，以下是GNN层如何知道批次中的哪个图具有给定的节点和节点特征的步骤：

批次划分：首先，将原始图数据按照一定的规则进行批次划分，将图数据分成多个小批次。每个小批次包含一部分图数据。
节点索引：对于每个小批次中的图数据，GNN层会为每个节点分配一个唯一的节点索引。节点索引可以用于标识和索引每个节点。
节点特征矩阵：对于每个小批次中的图数据，GNN层会构建一个节点特征矩阵。节点特征矩阵是一个二维矩阵，每行代表一个节点的特征向量。节点特征矩阵的列数表示节点特征的维度。
索引匹配：当GNN层接收到一个给定的节点和节点特征时，它会通过节点索引和节点特征矩阵进行匹配。具体来说，它会查找节点索引中与给定节点对应的索引，并从节点特征矩阵中获取对应节点的特征向量。

通过以上步骤，GNN层能够确定批次中具有给定节点和节点特征的图，并获取相应的节点特征。这样，GNN层就可以在后续的计算中使用这些节点特征进行图神经网络的训练和推理。

腾讯云相关产品和产品介绍链接地址：

腾讯云图数据库 TGraph：TGraph是腾讯云推出的一种高性能、高可靠、全托管的图数据库产品，适用于存储和处理大规模图数据。了解更多信息，请访问：https://cloud.tencent.com/product/tgraph
腾讯云人工智能平台 AI Lab：AI Lab是腾讯云提供的一站式人工智能开发平台，提供了丰富的人工智能开发工具和服务，包括图像识别、语音识别、自然语言处理等。了解更多信息，请访问：https://cloud.tencent.com/product/ailab
腾讯云物联网平台 IoT Hub：IoT Hub是腾讯云提供的一种可扩展的物联网平台，用于连接和管理物联网设备，并提供设备管理、数据采集、消息通信等功能。了解更多信息，请访问：https://cloud.tencent.com/product/iothub

相关搜索:如何知道节点js中redis中给定key的取值类型将给定集合中的最大可能边添加到具有节点容量的图带有钻取节点和颜色轴的Highcharts树状图:不在主层中显示子层颜色如果我想使用kubernetes中的NodePort，我如何知道节点中的哪个端口可用如何从节点的MongoDB中的数组中获取给定id和给定用户名的项目如何查找和删除给定关系中存在两个关系的节点？如何从嵌套的数据结构中创建具有节点和边的网络？返回从一个节点到其所有叶子的最重路径(在它的所有关系中具有给定属性的最高和)节点如何知道"req“和"res”是http.createServer(http.createServer(req，res))中的请求和响应对象修改数据

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

KDD 2022 | 深度图神经网络中的特征过相关：一个新的视角

题目：Feature Overcorrelation in Deep Graph Neural Networks: A New Perspective

03

2022年，图机器学习Graph ML发展到哪了？

原文链接：https://mgalkin.medium.com/graph-ml-in-2022-where-are-we-now-f7f8242599e0

03

【论文解读】IPM2020 | 长短期兴趣建模的图神经网络新闻推荐系统

题目： Graph Neural News Recommendation with Long-term and Short-term Interest Modeling

02

用于多关系数据的图神经网络R-GCNs

基本图结构包括用于连接节点的无向，无类型和唯一边。例如，在哲学领域，我们可以定义两个由“苏格拉底”和“柏拉图”实体表示的节点之间的链接。在这种特定情况下，我们不提供关于这些哲学家之间关系的任何信息。。

02

【阅读】Distributed Graph Neural Network Training: A Survey——翻译

图神经网络（GNNs）是一种在图上学习的深度学习模型，并已成功应用于许多领域。尽管 GNN 有效，但 GNN 有效地扩展到大型图仍然具有挑战性。作为一种补救措施，分布式计算成为训练大规模 GNN 的一种有前途的解决方案，因为它能够提供丰富的计算资源。然而，图结构的依赖性增加了实现高效分布式 GNN 训练的难度，导致大量通信和工作负载不平衡。近年来，在分布式 GNN 训练方面做出了很多努力，并提出了一系列训练算法和系统。然而，缺乏对从图处理到分布式执行的优化技术的系统回顾。在本次调查中，我们分析了分布式 GNN 训练的三大挑战，即海量特征通信、模型精度损失和工作负载不平衡。然后，我们为分布式 GNN 训练中的优化技术引入了一种新的分类法，以应对上述挑战。新分类法将现有技术分为四类，即 GNN 数据分区、GNN 批处理生成、GNN 执行模型和 GNN 通信协议。我们仔细讨论了每个类别中的技术。最后，我们分别总结了用于多 GPU、GPU 集群和 CPU 集群的现有分布式 GNN 系统，并讨论了可扩展 GNN 的未来发展方向。

04

GMNN: Graph Markov Neural Networks

我们生活在一个互联的世界中，实体通过各种关系相互联系。例如，网页通过超链接相互关联，社交媒体用户通过社交关系相互关联。对这种关系数据建模是机器学习中的一个重要的研究课题。这一课题涵盖了各种应用，如实体分类，链接预测和链接分类。

02

TNNLS | GNN综述：A Comprehensive Survey on Graph Neural Networks

题目：A Comprehensive Survey on Graph Neural Networks

02

KDD'21 | 时间复杂度接近最优的通用图传播算法

本期论文解读邀请了中国人民大学博士生王涵之分享其发表在KDD 2021 的论文《Approximate Graph Propagation》，第二作者为中国人民大学博士生何明国，通讯作者为中国人民大学魏哲巍教授。这篇论文将目前绝大多数的图节点邻近度指标和图神经网络特征传播形式都归纳为一个概括性的图传播范式，针对该图传播范式，这篇论文提出了一个时间复杂度近似最优的通用算法AGP。

02

ICLR2021 | 初探GNN的表示能力

GNN 表达能力的研究一直比较高深莫测的方向，刚入门的小白面对大量的数学公式和推导过程，肝完了还是不能明白其意义所在，心里出现了无数个小问号。但在我看来这个方向是实现从简单的使用GNN转变到深层次理解GNN的基石。莫慌，这篇文章会有大量的前置知识，以比较友好的方式带大家涉足 GNN 的表达能力，小编带你们：1）回答一条疑问，既然我们会使用 GNN了，那研究 GNN 的表达有啥实际意义？2）告诉大家 GNN 的表达能力是啥，通常用什么办法去衡量它；

02

关于图神经网络（Graph Neural Networks，GNN）基础知识汇总1.0

图论〔Graph Theory〕是数学的一个分支。它以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应两个事物间具有这种关系。

05

图神经网络的数学原理总结

来源：深度学习基础与进阶本文约6500字，建议阅读13分钟本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释。图深度学习(Graph Deep Learning) 多年来一直在加速发展。许多现实生活问题使GDL成为万能工具：在社交媒体、药物发现、芯片植入、预测、生物信息学等方面都显示出了很大的前景。本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释，图深度学习背后的思想是学习具有节点和边的图的结构和空间特征，这些节点和边表示实体及其交互。图在我们进入图神经网络之前，让我们先

05

图神经网络的解释性综述！

图神经网络的可解释性是目前比较值得探索的方向，今天解读的2021最新综述，其针对近期提出的 GNN 解释技术进行了系统的总结和分析，归纳对比了该问题的解决思路。作者还为GNN解释性问题提供了标准的图数据集和评估指标，将是这一方向非常值得参考的一篇文章。

04

论文 | 一切皆可连接：图神经网络 | 大牛GAT作者Petar Velickovic最新综述

在许多方面，图是我们从自然界接收数据的主要形式。这是因为我们看到的大多数模式，无论是在自然系统还是人工系统中，都可以使用图结构语言来优雅地表示。突出的例子包括分子（表示为原子和键的图）、社交网络和运输网络。这种潜力已经被主要的科学和工业团体看到，其已经受到影响的应用领域包括流量预测、药物发现、社交网络分析和推荐系统。此外，前几年机器学习最成功的一些应用领域——图像、文本和语音处理——可以被视为图表示学习的特例，因此这些领域之间存在大量的信息交换。这项简短调查的主要目的是使读者能够吸收该领域的关键概念，并在相关领域的适当背景下定位图表示学习。

01

图机器学习无处不在! 用 Transformer 可缓解 GNN 限制

在我们今天的生活中，图的示例包括社交网络、例如Twitter、Mastodon、以及任何链接论文和作者的引文网络，分子，知识图、例如 UML 图、百科全书以及有超链接的网站，表示为句法树的句子以及任何的 3D 网格等，可以说图已经无处不在。

02

斯坦福大学Jure Leskovec：图神经网络的设计空间

在 AAAI 2021 图深度学习 Workshop 上，来自斯坦福大学的著名学者 Jure Leskovec 发表了题为「Design Space for Graph Neural Networks」的主题演讲，介绍了其团队近期为推动图学习社区发展所做出的两项奠基性工作：Open Graph Benchmark 以及「图神经网络的设计空间」。该工作由 Jure Leskovec 和其团队的成员 Jiaxuan You 等人共同完成。

02

图神经网络遇到OOD的泛化性咋样?

目前提出的图神经网络 (GNN) 方法没有考虑训练图和测试图之间的不可知偏差，从而导致 GNN 在分布外（OOD）图上的泛化性能变差。导致 GNN 方法泛化性能下降的根本原因是这些方法都是基于 IID 假设。在此条件下，GNN 模型倾向于利用图数据中的虚假相关进行预测。但是，这样的虚假相关可能在未知的测试环境中改变，从而导致 GNN 的性能下降。因此，消除虚假相关的影响对于实现稳定的 GNN 模型至关重要。

01

图机器学习无处不在，用 Transformer 可缓解 GNN 限制

作者 | Clémentine Fourrier 编译 | 黄楠编辑 | 陈彩娴在我们今天的生活中，图的示例包括社交网络、例如Twitter、Mastodon、以及任何链接论文和作者的引文网络，分子，知识图、例如 UML 图、百科全书以及有超链接的网站，表示为句法树的句子以及任何的 3D 网格等，可以说图已经无处不在。近日，Hugging Face 研究科学家 Clémentine Fourrier 在文章《Introduction to Graph Machine Learning》就介绍了今天这种

02

PoGO-Net：使用图神经网络进行姿势图优化（ICCV 2021）

PoGO-Net: Pose Graph Optimization with Graph Neural Networks

01

GNN教程：Weisfeiler-Leman算法！

GNN模型现在正处于学术研究的热点话题，那么我们不经想问，GNN模型到底有多强呢？

02

ICLR2020 | CS-GNN：用平滑度刻画图信息的使用

今天给大家介绍香港中文大学和新加坡国立大学一起在ICLR2020上发布的一篇论文，该论文针对实际使用中GNN在图结构数据中能够获得多少性能的问题，提出了两种可以度量从图中获取的信息的数量和质量的平滑度指标，以及一个使用上述平滑度指标的GNN框架CS-GNN。实验显示，在不同类型的图上，对于特定任务而言，CS-GNN相比于现有的模型有更好的效果。

06

如何应对变化的图数据分布? Non-IID Graph Neural Networks

本文的出发点是 graph-level 的图分类任务，在图分类中，每个图都被视为一个数据样本，目标是在一组训练图上训练一个分类模型，通过利用其相关节点特征和图结构来预测未标记图的标签。当建立一个用于图分类的 GNN model 时，训练集中的图数据假定满足同分布。然而在现实世界中，同一数据集中的图可能具有差异性很大的不同结构，即图数据彼此之间可能是非非独立同分布的（Non-IID）。基于此本文提出了一种适用于 Non-IID 图数据的 GNN model。具体来说，首先给定一个图，Non-IID GNN 可以适应任何现有的图神经网络模型，为该图数据生成一个特定样本的模型。

02

521三大问：啥是GNN？GNN咋学？GNN何用？

近来发现非常多的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章，便将其翻译整理和大家一起分享。

02

2021年Graph ML热门趋势和主要进展总结

对于 Graph ML 来说2021年是重要的一年——成千上万的论文、无数的会议和研讨会......说明这个领域是在蓬勃的发展。我将Graph ML 这一年的进展进行结构化的展示，并重点介绍 🔥 趋势和主要进步。无论您是在研究细分的主题还是刚开始使用 Graph ML - 我们都希望这篇文章是一个很好的参考点。这个领域太大了如果我错过了一些重要的东西，请在评论中告诉我们！ Graph Transformers + Positional Features GNN 在通常是稀疏的图上运行，而 Graph T

01

2021年Graph ML热门趋势和主要进展总结

📷 来源：DeepHub IMBA本文约4700字，建议阅读9分钟本文为你介绍 Graph ML 这一年的进展进行结构化，并重点介绍 🔥 趋势和主要进步。对于 Graph ML 来说2021年是重要的一年——成千上万的论文、无数的会议和研讨会......说明这个领域是在蓬勃的发展。我将Graph ML 这一年的进展进行结构化的展示，并重点介绍 🔥 趋势和主要进步。无论您是在研究细分的主题还是刚开始使用 Graph ML - 我们都希望这篇文章是一个很好的参考点。这个领域太大了如果我错过了一些重要的东西

02

PNA | 使用多聚合器聚合图信息结构

今天给大家介绍剑桥大学Pietro Liò团队发表的一项研究工作“Principal Neighbourhood Aggregation for Graph Nets”。作者针对图神经网络（GNNs）的表达力展开研究，将GNN理论框架扩展至连续特征，并从数学上证明了在这种情况下GNN模型对多种聚合函数的需求。基于上述工作，作者还提出主邻域聚合（PNA）网络，将多个聚合器与基于节点度的缩放器相结合, 并通过使用作者新提出的多任务基准以及“encode-process-decode”结构，证明了PNA网络与其他模型相比获得和利用图结构的优越能力。

04

Quant进阶：用『最少』的数学，学『最全』的图神经网络

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。作者 | Rishabh Anand 编译 | QIML编辑部前言多年来，图深度学习（GDL）的发展步伐加快了。现实生活中许多网状结构的问题使的GDL成为一个通用的工具。该领域在社交媒体、药物发

02

TOIS'21 | 第一个基于多关系图的任务驱动GNN框架

北京航空航天大学、美国伊利诺伊大学芝加哥分校和英国利兹大学联合提出了一个全新的强化、递归且可扩展的由邻域选择引导的多关系图神经网络架构 RioGNN。与最先进的 GNN 以及专用异构模型相比，RioGNN 的各种下游任务显着提高了 0.70%–32.78%。

02

PAMI-2021：5篇顶级GNN论文

PAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence），IEEE模式分析与机器智能汇刊，简称PAMI，是IEEE最重要的学术性汇刊之一。事实上，PAMI有着超高的影响因子（17.730）和排名，被誉为SCI之王。与顶级会议相比，顶级期刊的评议过程更为严格，特别重视工作的创新性和完整性，录取难度和门槛很高。

03

AAAI2021 | 图神经网络的异质图结构学习

近年来，异质图神经网络引起了广泛关注并应用在各种下游任务上。现有异质图神经网络模型通常依赖于原始的异质图结构并暗含着原始图结构是可靠的假设。然而，这种假设往往并不现实，异质图结构普遍存在噪声和缺失的问题。因此，如何为异质图神经网络学习一个合适的图结构而不是依赖于原始图结构是一个关键问题。为解决这一问题，本文首次研究了异质图结构学习(Heterogeneous Graph Structure Learning)问题，并提出了HGSL框架来联合学习适合分类的异质图结构和图神经网络参数。HGSL 通过挖掘特征相似性、特征与结构之间的交互以及异质图中的高阶语义结构来生成适合下游任务的异质图结构并联合学习 GNN参数。三个数据集上的实验结果表明，HGSL 的性能优于基线模型。

02

图神经网络还能这样学，看新加坡小哥圈圈画画搞掂GNN（免费赠书）

图深度学习（Graph Deep Learning，GDL）是一个很有发展前景的研究领域，基于图数据来学习和分析非常有用。本文将介绍简单图神经网络（GNN）的基础知识及其内在工作原理背后的直观知识。不过，大家不用担心，为了能够更直观地看懂究竟发生了什么，作者在文中使用了大量彩图给出图解信息。

03

人工智能中图神经网络GNN是什么？

来源：机器之心本文约2400字，建议阅读5分钟本文将介绍简单图神经网络（GNN）的基础知识及其内在工作原理背后的直观知识。在社交网络分析等一些应用中，图神经网络已经得到了广泛的应用。新加坡科技研究局（A*STAR）的研究者 Rishabh Anand 近日通过图解的方式介绍了图与图神经网络的基本概念，或许能帮助初学者更直观地理解图神经网络的内涵和价值。图深度学习（Graph Deep Learning，GDL）是一个很有发展前景的研究领域，基于图数据来学习和分析非常有用。本文将介绍简单图神经网络（GN

01

WWW22 | 图表示学习之时序的事件和节点动态

时序图表示学习已经引起了学者极大的关注，因为现实世界中时序图很普遍。「然而，现有的作品大多采用时序图的离散快照，或者对新节点无法进行归纳处理，或者没有建模燃点效应，这是事件影响另一个事件发生的能力」。在这项工作中，我们提出了 TREND，一种新的时序图表示学习框架，由时序的事件和节点动态驱动，建立在基于霍克斯过程的图神经网络 (GNN) 之上。TREND 有几个主要优点：

02

【阅读】2021 OSDI——P3: Distributed Deep Graph Learning at Scale 论文翻译

2.3 Challenges in Distributed GNN Training

03

新版本，新特性，DGL 0.5版发布

近期发布的DGL 0.5版本在诸如文档、API、系统速度和可扩展型等多个方面进行了大量的改进和增强。本文会介绍其中一部分新的特性和改进的内容。

05

图神经网络加速综述: 算法、系统和硬件

GNN在许多任务上实现了最先进的性能，但在处理具有大量数据和严格延迟要求的实际应用程序时，面临可扩展性挑战。为了应对这些挑战，已经进行了许多关于如何加速GNN的研究。这些加速技术涉及GNN的各个方面，从智能训练和推理算法到高效系统和定制硬件。本综述提供了GNN加速的分类，回顾了现有的方法，并提出了未来的研究方向。

01

图神经网络上的统一的彩票假设

GNN的花式研究越来越多了~ 本来读了这篇后想写一下, 发现AI in Graph的小伙伴已经写的挺好了~

03

万字综述，GNN在NLP中的应用，建议收藏慢慢看

今天为大家解读的是由京东硅谷研发中心首席科学家吴凌飞博士等研究者最新发表的GNN for NLP综述，几乎覆盖了围绕NLP任务的所有GNN相关技术，是迄今为止GNN for NLP领域最全面最新的综述性文献。

03

别用Attention了，用GNN来解释NLP模型吧

图数据的天然优势是为学习算法提供了丰富的结构化信息，节点之间邻接关系的设计成为了重要的先验信息和交互约束。然而，有一部分边上的消息是可以忽略的，论文首先提出方法在不影响模型预测效果的情况下，将图结构中冗余的边drop掉。通过分析剩余边上具有怎样的先验知识，实现对GNN的预测过程加以解释。

03

GNN落地不再难，一文总结高效GNN和可扩展图表示学习最新进展

来源：机器之心本文约4200字，建议阅读8分钟剑桥大学在读博士生 Chaitanya K. Joshi 从数据准备、高效架构和学习范式三个方向综述了研究者们在克服这些问题时取得的进展。图神经网络在应用到现实世界时会面临很多挑战，比如内存限制、硬件限制、可靠性限制等。在这篇文章中，剑桥大学在读博士生 Chaitanya K. Joshi 从数据准备、高效架构和学习范式三个方向综述了研究者们在克服这些问题时取得的进展。用于高效和可扩展的图形表示学习的工具箱。本文旨在概述关于高效图神经网络和可扩展图表示学

02

图神经网络研究综述(GNN)

图神经网络由于其在处理非欧空间数据和复杂特征方面的优势，受到广泛关注并应用于推荐系统、知识图谱、交通道路分析等场景。

01

GNN落地不再难，一文总结高效GNN和可扩展图表示学习最新进展

选自Github 作者：Chaitanya K. Joshi 机器之心编译机器之心编辑部图神经网络在应用到现实世界时会面临很多挑战，比如内存限制、硬件限制、可靠性限制等。在这篇文章中，剑桥大学在读博士生 Chaitanya K. Joshi 从数据准备、高效架构和学习范式三个方向综述了研究者们在克服这些问题时取得的进展。用于高效和可扩展的图形表示学习的工具箱。本文旨在概述关于高效图神经网络和可扩展图表示学习的关键思想，并将介绍数据准备、GNN 架构和学习范式方面的关键进展，这些最新进展让图神经网

02

【GNN】大热下的 GNN 研究面临哪些“天花板”？未来的重点研究方向又在哪？

作为脱胎于图论研究的热门研究领域，图神经网络（GNN）与经典的 WL 算法有诸多相似之处。众所周知，强大的 WL 算法对于聚合函数的单射性质有很强的要求，那么强大的 GNN 应该具备哪些性质呢？研究大热下， GNN 面临哪些“天花板”？未来的重点研究方向又在哪？

04

Facebook AI | 从数百万预测结构中学习逆向折叠

本文介绍一篇Facebook AI实验室近期的工作《Learning inverse folding from millions of predicted structures》，模型任务是从蛋白质骨架坐标中预测出它的蛋白质序列。在已有实验性确定的蛋白质结构的基础上，他们使用AlphaFold2预测的蛋白质结构作为额外数据，训练出一个具有几何不变处理层的seq2seq Transformer模型。该模型在蛋白质骨架结构数据上达到51%的原生序列复现率，对于隐蔽残基的复现率达到72%，整体上比已有方法提升了10个百分点。

02

新人友好~「图神经网络前沿进展与应用」中文综述

图结构数据是现实生活中广泛存在的一类数据形式.宏观上的互联网、知识图谱、社交网络数据,微观上的蛋白质、化合物分子等都可以用图结构来建模和表示.由于图结构数据的复杂性和异质性,对图结构数据的分析和处理一直是研究界的难点和重点.图神经网络(GraphNeuralNetwork,GNN)是近年来出现的一种利用深度学习直接对图结构数据进行学习的框架,其优异的性能引起了学者高度的关注和深入的探索.通过在图中的节点和边上制定一定的策略,GNN 将图结构数据转化为规范而标准的表示,并输入到多种不同的神经网络中进行训练, 在节点分类、边信息传播和图聚类等任务上取得优良的效果.与其他图学习算法相比较,GNN 能够学习到图结构数据中的节点以及边的内在规律和更加深层次的语义特征.由于具有对图结构数据强大的非线性拟合能力,因此在不同领域的图相关问题上,GNN 都表现出更高的准确率和更好的鲁棒性. 本文在现有 GNN 研究的基础上,首先概述了 GNN 的出现历程,并介绍了相关概念和定义.之后本文着重讨论和对比了 GNN 中的各种算法框架,包括核心思想、任务划分、学习方式、优缺点、适用范围、实现成本等. 此外,本文对 GNN 算法在多个不同领域下的应用场景进行了详细的阐述,将 GNN 与其他图学习算法的优缺点作了联系和比较.针对存在的一些问题和挑战,本文勾画了 GNN 的未来方向和发展趋势,最后对全文进行了全面而细致的总结。

02

图神经网络性能提升方法综述

图神经网络（GNN）是深度学习领域的一个重要模型，已广泛应用于推荐系统、计算机视觉、自然语言处理、分子分析、数据挖掘和异常检测等现实场景。GNN在从图形数据中学习方面表现出优越的能力，其变体已被广泛应用。

02

[NeurIPS2020] 图神经网络的概率图模型解释器

今天解读的论文发表在 NeurIPS2020，它从全新的角度打开GNN黑箱模型。从贝叶斯学派的代表方法——概率图模型的角度对图神经网络加以解释。它的强大之处在于生成的解释具有丰富的统计信息，能够以条件概率的形式自然的表达出节点之间的依赖关系。

01

Bengio 团队力作：GNN 对比基准横空出世，图神经网络的「ImageNet」来了

图神经网络（GNN）是当下风头无两的热门研究话题。然而，正如计算机视觉的崛起有赖于 ImageNet 的诞生，图神经网络也急需一个全球学者公认的统一对比基准。

03

GitHub图深度学习引用Top 10文章，你都看过吗？

Github地址：https://github.com/naganandy/graph-based-deep-learning-literature

05

详细解读GraphFPN | 如何用图模型提升目标检测模型性能？

特征金字塔在需要多尺度特征的图像理解任务中已被证明是强大的。多尺度特征学习的最新方法侧重于使用具有固定拓扑结构的神经网络跨空间和尺度执行特征交互。

02

Michael Brostein 最新几何深度学习综述：超越 WL 和原始消息传递的 GNN

如何突破基于 WL 测试和消息传递机制的 GNN 的性能瓶颈？且看几何深度学习旗手、牛津大学教授 Michael Brostein 如是说。编译丨OGAI 编辑丨陈彩娴图可以方便地抽象关系和交互的复杂系统。社交网络、高能物理、化学等研究领域都涉及相互作用的对象（无论是人、粒子还是原子）。在这些场景下，图结构数据的重要性日渐凸显，相关方法取得了一系列初步成功，而一系列工业应用使得图深度学习成为机器学习方向的热门研究话题之一。图注：通过图对复杂系统的关系、交互进行抽象。例如，「分子图」中构成分子的原子至

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭