awesome gcn

Ce référentiel consiste à collecter des ressources liées à GCN, GAT (Graph Attention).

Référentiels GitHub:

Mettre en œuvre:

1. TKIPF / GCN, implémentation de réseaux de convolution graphiques dans TensorFlow,

2. TKIPF / KERAS-GCN, Implémentation Keras des réseaux de convolution des graphiques,

3. OCECHAIN ​​/ GCN, réseaux de convolution graphique,

4. Petarv- / gat, réseaux d'attention graphique (https://arxiv.org/abs/1710.10903),

5. Diego999 / Pygat, Pytorch Implémentation du modèle de réseau d'attention du graphique par Veličković et. Al (2017, https://arxiv.org/abs/1710.10903),

6. MP2893 / Gram, modèle d'attention basé sur le graphique,

7. Danielegattarola / Keras-Gat, Keras Implémentation des réseaux d'attention du graphique (GAT) par Veličković et al. (2017; https://arxiv.org/abs/1710.10903),

8. Luckick / EAGCN, mise en œuvre des réseaux de convolution des graphiques multi-relations basés sur l'attention Edge,

GCN amélioré:

1. Lightaime / Deep_gcns, repo pour "Les GCN peuvent-ils aller aussi profondément que CNNS?",

Exemple et tutoriel:

1. DBUSBRIDGE / GCN_TUTORAL, un tutoriel sur les réseaux de neurones convolutionnels graphiques,

Graphique de connaissances:

1. TKIPF / GCN relationnel, implémentation basée sur Keras des réseaux de convolution des graphiques relationnels

2. 1049451037 / GCN-ALIGN, Code du document: Alignement du graphique de connaissances croisées via des réseaux de convolution des graphiques.

3. Michschli / RelationPrediction, mise en œuvre de R-GCNS pour la prédiction des liens relationnels

4. xiangwang1223 / knowledge_graph_attention_network, KGAT: Network d'attention du graphique de connaissances pour la recommandation, KDD2019,

5. Deepakn97 / RelationPrediction, ACL 2019: les incorporations basées sur l'attention pour la prédiction des relations dans les graphiques de connaissances,

Extraction de relation:

1. Les arbres Qipeng / GCN sur les étirements, la convolution graphique sur les arbres de dépendance élagués améliorent l'extraction de la relation (implémentation de pytorch des auteurs),

2. MallLabiisc / Reside, EMNLP 2018: Reside: Amélioration de l'extraction de relation neuronale à sumission distante à l'aide d'informations latérales,

3. CARTUS / AGGCN_TACRED, réseaux de convolution des graphiques guidés d'attention pour l'extraction de relations (implémentation Pytorch des auteurs pour l'article ACL19),

Classification du texte:

1. yao8839836 / text_gcn, réseaux convolutionnels graphiques pour la classification du texte. AAAI 2019,

2. Yuanluo / Text_GCN_TUTORAL, ce tutoriel (actuellement en développement) est basé sur l'implémentation de Text GCN dans notre article: Liang Yao, Chengsheng Mao, Yuan Luo. "Graphiques réseaux convolutionnels pour la classification du texte." En 33e conférence AAAI sur l'intelligence artificielle (AAAI-19),

3. plkmo / bible_text_gcn, réseau de convolution de graphes textuel,

4. Iamjagdeesh / Fake-News-Detection, faux détecteur d'actualités basé sur le contenu et les utilisateurs qui y sont associés à l'aide de Bert et des réseaux d'attention de graphiques (GAT).,

Incorporation de mot:

3. MallLabiisc / WordGCN, ACL 2019: Incorporation d'informations syntaxiques et sémantiques dans Word Embeddings à l'aide de réseaux de convolution graphiques,

Ner:

1. ContextScout / gcn_ner, graphique du réseau neuronal convolutionnel nommé Reconnaissance d'entité,

QA:

1. BERC-UOFT / TRANSFORME-GCN-QA, une architecture Q / A multi-HOP basée sur les transformateurs et les GCN,

Résolution de coreférence:

1. ianycxu / rgcn-with-berth, graphes convolutionnel réseaux (gcn) avec bert pour la tâche de résolution de coreférence [pytorch] [dgl],

Recommandation:

1. Peijiesun / diffnet, ce code est publié pour le journal: Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang et Meng Wang. Un modèle de diffusion de l'influence neurale pour la recommandation sociale. Accepté par Sigir2019.

Reconnaissance d'action basée sur le squelette:

1. Yysijie / ST-GCN, Réseaux de convolution des graphiques temporels spatiaux (ST-GCN) pour la reconnaissance d'action basée sur le squelette à Pytorch

Détection d'anomalies:

1. JX-ZHONG-FOR-ACADEMIM-PURPOSE / GCN-ANOMALY-DETECTION, PLACEHOLDER DES CODES SOURCES DANS CVPR 2019: Nettoyant de bruit pour l'étiquette Convolutionnel Graph: Train A Plug-and-Play Action Classifier pour la détection d'anomalies.

2. kaize0409 / gcn_anomalydection, code pour la détection des anomalies profondes sur les réseaux attribués (SDM2019).

Clustering de visage:

1. Zhongdao / gcn_clustering, code pour clustering de face CVPR'19 sur la liaison papier via GCN,

2. YL-1993 / Apprenti

Reconnaissance de l'attribut de la personne:

2. 2014gaokao / piéton-attribut-reconnaissance avec GCN, GCN pour la reconnaissance des attributs piétonnes dans les scénarios de surveillance,

Recherche de personne:

1. sjtuzq / person_search_gcn, ce référentiel héberge le code de notre article «Graphique du contexte d'apprentissage pour la recherche de personne», CVPR2019 oral,

Segmentation de l'image:

1. FIDLER-LAB / CURVE-GCN, code Pytorch officiel pour Curve-GCN (CVPR 2019),

Classification d'image:

1. Chenzhaomin123 / ML_GCN, Implémentation Pytorch de la reconnaissance d'images multiples avec des réseaux de convolution graphique, CVPR 2019,

2. Rusty1s / graphique-image-classification, mise en œuvre des réseaux de convolution des graphiques planaires dans Tensorflow,

3. AVIRAMBH / MSDNET-GCN, ICLR 2018 Reproductibilité Challenge - Réseaux convolutionnels denses à grande échelle pour une prédiction efficace,

4. Judyye / Zero-Shot-GCN, apprentissage zéro-shot avec GCN (CVPR 2018),

Génération de graphiques de scène:

1. Nvidia / contrastelosses4vrd, implémentation pour l'article CVPR2019 "pertes contrastives graphiques pour la génération de graphiques de scène",

2. Yuweihao / Kern, Code pour le réseau de routage incrusté de connaissances pour la génération de graphiques de scène (CVPR 2019),

3. shijx12 / xnm-net, implémentation pytorch de "raisonnement visuel explicite et explicite sur les graphiques de scène",

4. JIAYAN97 / LINKNET-PYTORCH, REMPLICATION PYTORCH DE LINKNET POUR GÉNÉRATION GRAPHES SCÈNE,

5. UEHWAN / 3D-SCENE-GRAPH, Générateur de graphiques de scène 3D implémenté dans Pytorch.,

6. Kenneth-Wong / SceneGraph_Mem, Codes for CVPR 2019: Explorer le contexte et le modèle visuel de relation pour la génération de graphiques de scène, Wenbin Wang, Ruiping Wang, Shiguang Shan, Xilin Chen, CVPR 2019.,

7. Danfeix / Scene-Graph-Tf-Release, "Scene Graph Generation by Iterative Message passant" Repository de code http://cs.stanford.edu/~danfei/scene-…,

8. Google / SG2IM, code pour "Génération d'images à partir de graphiques de scène", Johnson et al, CVPR 2018,

9. ROWANZ / NEAL-MOTIFS, Code pour les motifs neuronaux: Scene Graph Parsing with Global Context (CVPR 2018) https://rowanzellers.com/neuralmotifs,

10. Jwyang / graph-rcnn.pytorch, code pytorch pour notre article ECCV 2018 "Graphique R-CNN pour la génération de graphiques de scène" et d'autres articles,

11. yikang-li / facto-cibleNet, Factorable Net (version multi-gpu): un framework efficace basé sur des sous-graphiques pour la génération de graphiques de scène,

Flux de trafic:

1. Lehaifeng / T-GCN, Réseau de convolution de graphe temporel pour la méthode de prédiction du flux de trafic urbain

2. Franceszhou / gcntrafficprediction,

3. Davidham3 / ASTGCN, réseaux de convolution des graphiques spatiaux-temporels basés sur l'attention pour la prévision des flux de trafic (ASTGCN) AAAI 2019,

Prédiction des maladies:

2. Parisots / Population-GCN, graphique CNNS pour les graphiques de population: classification de l'ensemble de données Abide,

Prédiction de chemin:

1. Zhenye-na / gcn-spp, prédiction de chemin la plus courte à l'aide de réseaux de convolution graphique,

2. Raphaelavalos / Attention_TSP_Graph_net, l'implémentation de l'attention résout votre TSP, environ (W. Kool et al.) Avec la bibliothèque Graph Nets de DeepMind,

Cloud Point 3D:

1. MAGGIE0106 / GRAPH-CNN-IN-3D-POINT-CLOUD-CLASSIFICATION, CODE POUR UN GRAPH-CNN pour la classification du cloud Point 3D (ICASSP 2018),

2. jiexiong2016 / gcnv2_slam, système slam en temps réel avec des fonctionnalités profondes,

Graphique à séquence:

1. wngzhiqi / graph2seq-graph-to-séquence-learning-with-neter-basased-neural-networks, ce repo est un projet pour 11785 (apprentissage en profondeur) chez CMU. Nous reproduisons du papier appelé "Graph2Seq: Graph to Sequence Apprening avec des réseaux neuronaux basés sur l'attention" (https://arxiv.org/pdf/1804.00823.pdf). Membre de l'équipe: Zhiqi Wang, Ziyin Huang, Hong DU, Zhengkai Zhang,

2. SYXU828 / GRAPH2SEQ-0.1, il s'agit du code du papier "Graph2Seq: Graph to Sequence Apprening avec les réseaux neuronaux basés sur l'attention",

Prédiction de stabilité chimique:

1. MingCPU / Deepchemstable, Deepchemstable: Prediction de stabilité chimique en utilisant le réseau de convolution de graphes basé sur l'attention,