graph_nets

Aprendizaje de representación gráfica

Este repositorio es un suplemento de nuestra serie de blogs explicado: aprendizaje de representación de gráficos . Los siguientes documentos principales y blogs correspondientes se han cubierto como parte de la serie y buscamos agregar blogs en algunos otros trabajos significativos en el campo.

Configuración

Clon el repositorio de git:

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

Python 3 con Pytorch 1.3.0 son los requisitos principales. El archivo requirements.txt contiene una lista de otras dependencias. Para instalar todos los requisitos, ejecute lo siguiente:

pip install -r requirements.txt

1. Comprensión de Deepwalk

Enfoque de aprendizaje en línea no supervisado, inspirado desde Word2Vec en PNL, pero aquí el objetivo es generar embedidas de nodos.

• Blog de Deepwalk
• Cuaderno de jupyter
• Código
• Papel -> Deepwalk: aprendizaje en línea de representaciones sociales

2. Una revisión: Redes convolucionales de gráficos (GCN)

Los GCN se basan en la idea de las redes neuronales de convolución que las vuelven a definir para el dominio de datos no euclidianos. Son convolucionales, porque los parámetros del filtro generalmente se comparten en todas las ubicaciones en el gráfico a diferencia de los GNN típicos.

• Blog GCN
• Cuaderno de jupyter
• Código
• Papel -> Clasificación semi -supervisada con redes convolucionales de gráficos

3. Graph Sage (muestra y agregado)

Los enfoques anteriores son transductivos y no se generalizan naturalmente a los nodos invisibles. GraphSage es un marco inductivo que aprovecha la información de la función de nodo para generar eficientemente los incrustaciones de nodos.

• Blog de gráficos
• Cuaderno de jupyter
• Código
• Documento -> Representación inductiva Aprendizaje en gráficos grandes

4. Chebnet: CNN en gráficos con filtrado espectral localizado rápido

Chebnet es una formulación de CNN en el contexto de la teoría de gráficos espectrales.

• Blog de Chebnet
• Cuaderno de jupyter
• Código
• Papel -> Redes neuronales convolucionales en gráficos con filtrado espectral localizado rápido

5. Comprender las redes de atención de gráficos

GAT puede asistir a las características de sus vecindarios, especificando implícitamente diferentes pesos a diferentes nodos en un vecindario, sin requerir ningún tipo de operación de matriz costosa o depender de conocer la estructura de gráficos por adelantado.

• Blog Gat
• Cuaderno de jupyter
• Código
• Papel -> Redes de atención de gráficos

Citación

Utilice la siguiente entrada para citar el blog.

 @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}},
}