graph_nets

Grafikrepräsentation Lernen

Dieses Repo ist eine Ergänzung zu unserer Blog -Serie : Graph Repräsentation Lernen . Die folgenden Hauptarbeiten und entsprechenden Blogs wurden als Teil der Serie behandelt, und wir versuchen, Blogs zu einigen anderen bedeutenden Werken vor Ort hinzuzufügen.

Aufstellen

Klonen Sie das Git -Repository:

 git clone https://github.com/dsgiitr/graph_nets.git

Python 3 mit Pytorch 1.3.0 sind die Hauptanforderungen. Die Datei requirements.txt enthält eine Auflistung anderer Abhängigkeiten. Führen Sie Folgendes aus, um alle Anforderungen zu installieren:

pip install -r requirements.txt

1. Deepwalk verstehen

Unüberständiger Online -Lernansatz, inspiriert von Word2VEC in NLP, aber hier ist das Ziel, Knotenbettendings zu generieren.

• Deepwalk -Blog
• Jupyter Notebook
• Code
• Papier -> Deepwalk: Online -Lernen sozialer Repräsentationen

2. Eine Überprüfung: Graph Faltungsnetzwerke (GCN)

GCNs stützt sich auf die Idee der Faltung neuronale Netze, die sie für die nichteuklidische Datendomäne neu definieren. Sie sind Faltungen, da Filterparameter im Gegensatz zu typischen GNNs normalerweise über alle Stellen im Diagramm geteilt werden.

• GCN -Blog
• Jupyter Notebook
• Code
• Papier -> halbübergreifende Klassifizierung mit Graph -Faltungsnetzwerken

3. Graph Sage (Probe und Aggregat)

Frühere Ansätze sind transduktiv und verallgemeinern nicht auf unsichtbare Knoten. Graphsage ist ein induktives Framework, das die Funktionsinformationen der Knoten -Funktionen nutzt, um Knoteneinbettungen effizient zu generieren.

• Graphsage -Blog
• Jupyter Notebook
• Code
• Papier -> Induktives Repräsentationslernen in großen Grafiken

4. Chebnet: CNN in Diagramme mit schnell lokalisiertem Spektralfiltering

Chebnet ist eine Formulierung von CNNs im Kontext der Spektralgrafheorie.

• Chebnet Blog
• Jupyter Notebook
• Code
• Papier -> Faltungsnetzwerke in Graphen mit schnell lokalisiertem Spektralfilterung

5. Verständnis der Aufmerksamkeitsnetzwerke von Grafiken

Gat kann über die Merkmale ihrer Nachbarschaften teilnehmen und implizit unterschiedliche Gewichte für verschiedene Knoten in einer Nachbarschaft angeben, ohne dass eine Art kostspieliger Matrixoperation erforderlich ist, oder je nach Kenntnis der Grafikstruktur im Voraus.

• Gat Blog
• Jupyter Notebook
• Code
• Papier -> Diagramm -Aufmerksamkeitsnetzwerke

Zitat

Bitte verwenden Sie den folgenden Eintrag, um den Blog zu zitieren.

 @misc{graph_nets,
  author = {A. Dagar and A. Pant and S. Gupta and S. Chandel},
  title = {graph_nets},
  year = {2020},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {url{https://github.com/dsgiitr/graph_nets}},
}