graph_nets

Apprentissage de représentation de graphique

Ce repo est un complément à notre série de blogs expliquée: l'apprentissage de la représentation des graphiques . Les principaux articles et blogs correspondants suivants ont été couverts dans le cadre de la série et nous cherchons à ajouter des blogs sur quelques autres œuvres importantes dans le domaine.

Installation

Clone le référentiel Git:

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

Python 3 avec Pytorch 1.3.0 sont les principales exigences. Le fichier requirements.txt contient une liste d'autres dépendances. Pour installer toutes les exigences, exécutez ce qui suit:

pip install -r requirements.txt

1. Comprendre Deepwalk

Approche d'apprentissage en ligne non supervisée, inspirée de Word2Vec dans PNL, mais, ici, l'objectif est de générer des incorporations de nœuds.

• Blog Deepwalk
• Cahier de jupyter
• Code
• Paper -> Deepwalk: apprentissage en ligne des représentations sociales

2. Une revue: Réseaux de convolutionneaux graphiques (GCN)

Les GCN s'appuient sur l'idée de Convolution Neural Networks les redéfinissant pour le domaine de données non euclidien. Ils sont convolutionnels, car les paramètres du filtre sont généralement partagés sur tous les emplacements du graphique contrairement aux GNN typiques.

• Blog GCN
• Cahier de jupyter
• Code
• Papier -> Classification semi-supervisée avec des réseaux de convolution graphiques

3. Sage de graphe (échantillon et agrégat)

Les approches précédentes sont transducteurs et ne généralisent pas naturellement aux nœuds invisibles. Graphsage est un cadre inductif tirant parti des informations sur la fonctionnalité de nœud pour générer efficacement les incorporations de nœuds.

• Blog de graphiques
• Cahier de jupyter
• Code
• Papier -> Représentation inductive Apprentissage sur de gros graphiques

4. Chebnet: CNN sur des graphiques avec filtrage spectral localisé rapide

Chebnet est une formulation de CNNS dans le contexte de la théorie des graphiques spectraux.

• Blog Chebnet
• Cahier de jupyter
• Code
• Papier -> Réseaux de neurones convolutionnels sur des graphiques avec filtrage spectral localisé rapide

5. Comprendre les réseaux d'attention du graphique

GAT est en mesure d'assister aux caractéristiques de leur quartier, spécifiant implicitement différents poids à différents nœuds dans un quartier, sans nécessiter de fonctionnement de matrice coûteux ou en fonction de la connaissance de la structure du graphique à l'avance.

• Blog GAT
• Cahier de jupyter
• Code
• Papier -> Réseaux d'attention du graphique

Citation

Veuillez utiliser l'entrée suivante pour citer le 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}},
}