awesome gcn

Dieses Repository soll GCN, GAT (Graph Achtung) Ressourcen sammeln.

Github -Repositories:

Implementieren:

1. TKIPF/GCN, Implementierung von Graph -Faltungsnetzwerken in Tensorflow,

2. TKIPF/Keras-GCN, Keras-Implementierung von Graph-Faltungsnetzwerken,

3. Ocechain/GCN, Graph -Faltungsnetzwerke,

4. Petarv-/Gat, Graph Achtungsnetzwerke (https://arxiv.org/abs/1710.10903),

5. Diego999/Pygat, Pytorch -Implementierung des Graph -Aufmerksamkeitsnetzwerkmodells von Veličković et. Al (2017, https://arxiv.org/abs/1710.10903),

6. MP2893/Gramm, graphbasiertes Aufmerksamkeitsmodell,

7. Danielegrattarola/Keras-Gat, Keras-Implementierung der Graph-Aufmerksamkeitsnetzwerke (GAT) von Veličković et al. (2017; https://arxiv.org/abs/1710.10903),

8. Luckick/EAGCN, Implementierung von Edge-Aufmerksamkeitsbasis auf Multi-Relational-Graph-Faltungsnetzwerken,

Verbesserte GCN:

1. Lightaime/Deep_gcns, Repo für "Können GCNs so tief gehen wie CNNs?",

Beispiel & Tutorial:

1. dbusbridge/gcn_tutorial, ein Tutorial über die neuronalen Netzwerke von Graphen,

Wissensgrafik:

1. TKIPF/Relational-GCN, Keras-basierte Implementierung von relationalen Graphen-Faltungsnetzwerken

2. 1049451037/GCN-Align, Code des Papiers: Übergreifende Wissensgraphenausrichtung über Graph-Faltungsnetzwerke.

3. Michschli/relationPrediction, Implementierung von R-GCNs für die Vorhersage der relationalen Verbindung

4. Xiangwang1223/Knowledge_Graph_attention_network, KGAT: Knowledge Graph Achtungsnetzwerk für Empfehlung, KDD2019,

5. Deepakn97/relationPrediction, ACL 2019: Lernaufmerksamkeitsbettungsbettungen für die Relationsvorhersage in Wissensgraphen,

Beziehungsextraktion:

1. qipeng/gcn-over-befristete Bäume, Graph Faltung über beschnittene Abhängigkeitsbäume verbessert die Beziehungsextraktion (Pytorch-Implementierung der Autoren).

2. Malllabiisc/Reside, EMNLP 2018: Reside: Verbesserung der intensiven Überwachung der neuronalen Beziehung unter Verwendung von Seiteninformationen,

3. Cartus/aggcn_tacred, aufmerksam geführte Graphen -Faltungsnetzwerke für die Beziehungsextraktion (Pytorch -Implementierung der Autoren für das ACL19 -Papier),

Textklassifizierung:

1. yao8839836/text_gcn, Graph Faltungsnetzwerke für die Textklassifizierung. AAAI 2019,

2. Yuanluo/text_gcn_tutorial, dieses Tutorial (derzeit in der Entwicklung) basiert auf der Implementierung von Text GCN in unserem Artikel: Liang Yao, Chengsheng Mao, Yuan Luo. "Graph Faltungsnetzwerke für die Textklassifizierung." In der 33. AAAI-Konferenz über künstliche Intelligenz (AAAI-19),

3. PLKMO/BIBLE_TEXT_GCN, textbasiertes Graphen-Faltungsnetzwerk,

4. IAMJAGDEESH/FAKE-News-Erkennung, gefälschte Nachrichtendetektor basierend auf dem Inhalt und den Benutzern, die mithilfe von Bert- und Graph-Aufmerksamkeitsnetzwerken (GAT) zugeordnet sind.

Worteinbettung:

3. Malllabiisc/WordGCN, ACL 2019: Einbeziehung von syntaktischen und semantischen Informationen in Word -Einbettungen unter Verwendung von Graph -Faltungsnetzen,

Ner:

1. CONTEXTSCOUT/GCN_NER, Graph Falthyteal Neural Network namens Entity Recognition,

QA:

1. Berc-Uoft/Transformer-GCN-QA, eine Multi-Hop-Q/A-Architektur basierend auf Transformatoren und GCNs,

Koreferenzauflösung:

1. Ianycxu/RGCN-With-Bert, Graph Faltungsnetzwerke (GCN) mit Bert for Coreference-Auflösungsaufgabe [Pytorch] [DGL],

Empfehlung:

1. Peijiesun/Diffnet, dieser Code wird für das Papier veröffentlicht: Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang und Meng Wang. Ein neuronales Einflussdiffusionsmodell für soziale Empfehlungen. Akzeptiert von sigir2019.

Skelettbasierte Aktionserkennung:

1. Yysijie/ST-GCN, räumliche zeitliche Graphen-Faltungsnetzwerke (ST-GCN) für Skelett-basierte Aktionserkennung in Pytorch

Erkennung von Anomalie:

1. Jx-Zhong-for-Academic-Purple/GCN-Anomalie-Erkennung, Platzhalter der Quellcodes in CVPR 2019: Graph Faltungslabel Rauschreiniger: Trainieren Sie einen Plug-and-Play-Aktionsklassifizierer für die Erkennung von Anomalie.

2. kaize0409/gcn_anomalyDection, Code für die Erkennung von Tiefenanomalie in zugeschriebenen Netzwerken (SDM2019).

Gesichtsclustering:

1. Zhongdao/gcn_clustering, Code für CVPR'19 Paper Linkage-basierte Gesichtsclustering über GCN,

2. YL-1993/Learn-to-Cluster, Lernen, Gesichter in einem Affinitätsgraphen zu erlernen (CVPR 2019),

Personattributerkennung:

2. 2014gaokao/fußgänger-attribute-Rekognition-with-GCN, GCN für Fußgängerattributerkennung in Überwachungsszenarien,

Personsuche:

1. SJTUZQ/PERSONAL_SEARCH_GCN, In diesem Repository wird der Code für unser Papier „Lernkontextdiagramm für Personsuche“, CVPR2019 Oral, veranstaltet.

Bildsegmentierung:

1. Fidler-Lab/Curve-GCN, offizieller Pytorch-Code für Curve-GCN (CVPR 2019),

Bildklassifizierung:

1. Chenzhaomin123/ml_gcn, Pytorch-Implementierung der Multi-Label-Bilderkennung mit Graph-Faltungsnetzwerken, CVPR 2019,

2. Rusty1S/Graph-basierte Imageklassifizierung, Implementierung von planaren Graphen-Faltungsnetzwerken in TensorFlow,

3. Avirambh/MSDNet-GCN, ICLR 2018 Reproduzierbarkeit Herausforderung-Multi-Scale-dichte Faltungsnetzwerke für eine effiziente Vorhersage,

4. Judyye/Zero-Shot-GCN, Null-Shot-Lernen mit GCN (CVPR 2018),

Szenengrafik Generierung:

1. Nvidia/Contrastivelosses4VRD, Implementierung für das CVPR2019 -Papier "Grafische Kontrastverluste für die Erzeugung von Szenengrafiken",

2. Yuweiahao/Kern, Code für wissensbedingtes Routing-Netzwerk für die Erzeugung von Szenengrafiken (CVPR 2019),

3. shijx12/xnm-net, Pytorch-Implementierung von "erklärbaren und expliziten visuellen Denken über Szenengrafiken",

4. JIAYAN97/LINKNET-PYTORCH, PYTORCH REMPLATIONATION von LinkNet für die Erzeugung von Szenengrafiken,

5. UEHWAN/3D-Szene-Graph, 3D-Szenengrafikgenerator in Pytorch.,,

6. Kenneth-Wong/Szenegraph_Mem, Codes für CVPR 2019: Erforschung des Kontextes und des visuellen Beziehungsmusters für die Erzeugung von Szenengrafiken, Wenbin Wang, Ruiping Wang, Shiguang Shan, Xilin Chen, CVPR 201999.

7. Danfeix/Szene-graph-TF-Release, "Szenengrafikgenerierung von iterativen Nachrichtenübergabe" Code-Repository http://cs.stanford.edu/~danfei/scene-…,,

8. Google/SG2IM, Code für "Bildgenerierung aus Szenengrafiken", Johnson et al., CVPR 2018,

9. Rowanz/Neural-Motifs, Code für neuronale Motive: Szenengrafik analysieren mit dem globalen Kontext (CVPR 2018) https://rowanzellers.com/neuralmotifs,

10. Jwyang/Graph-Rcnn.pytorch, Pytorch-Code für unser ECCV 2018-Papier "Graph R-CNN für Szenengrafikgenerierung" und andere Papiere,

11. Yikang-li/faktorizablenet, faktorisierbares Netz (Multi-GPU-Version): Ein effizientes subgraphbasiertes Framework für die Erzeugung von Szenengrafiken,

Verkehrsfluss:

1. Lehaifeng/T-GCN, zeitliches Graph-Faltungsnetzwerk für die Methode zur Vorhersage der städtischen Verkehrsfluss

2. Franceszhou/gcntrafficPrediction,

3. Davidham3/ASTGCN, aufmerksamkeitsbasierte räumlich-zeitliche Graphen-Faltungsnetzwerke für die Verkehrsflussprognose (ASTGCN) AAAI 2019,,

Krankheitsvorhersage:

2. Parisots/Population-GCN, Graph CNNs für Populationsdiagramme: Klassifizierung des Bleibendatensatzes,

Pfadvorhersage:

1. Zhenye-Na/GCN-SPP, kürzeste Pfadvorhersage unter Verwendung von Graph-Faltungsnetzen,

2. raphaelavalos/aßen_tsp_graph_net, Implementierung der Aufmerksamkeit löst Ihren TSP ungefähr (W. Kool et al.) Mit der Graph Nets -Bibliothek der DeepMind's Graph Nets,

3D Point Cloud:

1. Maggie0106/Graph-CNN-in-3D-Punkt-Cloud-Klasse, Code für einen Graph-CNN für die 3D-Punkt-Cloud-Klassifizierung (ICASSP 2018),

2. JiExiong2016/GCNV2_Slam, Echtzeit-Slam-System mit tiefen Merkmalen,

Diagramm zur Sequenz:

1. Wngzhiqi/Graph2Seq-Graph-to-Sequenz-Learning-with-attvention-basierte Neural-Networks ist ein Projekt für 11785 (Deep Learning) an der CMU. Wir reproduzieren Papier mit dem Namen "Graph2Seq: Graph to Sequence Learning mit aufmerksamkeitsbasierten neuronalen Netzwerken" (https://arxiv.org/pdf/1804.00823.pdf). Teammitglied: Zhiqi Wang, Ziyin Huang, Hong Du, Zhengkai Zhang,

2. Syxu828/Graph2Seq-0.1 ist dies der Code für Papier "Graph2Seq: Graph to Sequence Learning mit aufmerksamkeitsbasierten neuronalen Netzwerken",

Vorhersage der chemischen Stabilität:

1. Mingcpu/Deepchemstable, Deepchemstable: Chemische Stabilitätsvorhersage unter Verwendung von aufmerksamkeitsbasiertem Graphen-Faltungsnetz,