graph_nets

Pembelajaran Representasi Grafik

Repo ini adalah suplemen untuk seri blog kami yang dijelaskan: pembelajaran representasi grafik . Makalah besar berikut dan blog yang sesuai telah dibahas sebagai bagian dari seri dan kami ingin menambahkan blog pada beberapa karya penting lainnya di lapangan.

Pengaturan

Klon The Git Repository:

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

Python 3 dengan Pytorch 1.3.0 adalah persyaratan utama. File requirements.txt berisi daftar dependensi lainnya. Untuk menginstal semua persyaratan, jalankan yang berikut:

pip install -r requirements.txt

1. Memahami Deepwalk

Pendekatan pembelajaran online tanpa pengawasan, terinspirasi dari Word2Vec di NLP, tetapi, di sini tujuannya adalah untuk menghasilkan embeddings simpul.

• Blog Deepwalk
• Jupyter Notebook
• Kode
• Kertas -> Deepwalk: Pembelajaran Online Representasi Sosial

2. A Ulasan: Grafik Convolutional Networks (GCN)

GCN mengacu pada gagasan jaringan saraf konvolusi yang mendefinisikannya kembali untuk domain data non-Euclidean. Mereka konvolusional, karena parameter filter biasanya dibagikan di semua lokasi dalam grafik tidak seperti GNNs khas.

• Blog GCN
• Jupyter Notebook
• Kode
• Kertas -> Klasifikasi semi -diawasi dengan jaringan konvolusional grafik

3. Grafik Sage (sampel dan agregat)

Pendekatan sebelumnya transduktif dan tidak secara alami menggeneralisasi ke node yang tidak terlihat. GraphSage adalah kerangka kerja induktif yang memanfaatkan informasi fitur node untuk menghasilkan embeddings simpul secara efisien.

• Blog grafik
• Jupyter Notebook
• Kode
• Kertas -> Pembelajaran Representasi Induktif pada Grafik Besar

4. Chebnet: CNN pada grafik dengan pemfilteran spektral terlokalisasi cepat

Chebnet adalah formulasi CNN dalam konteks teori grafik spektral.

• Blog Chebnet
• Jupyter Notebook
• Kode
• Kertas -> Jaringan saraf konvolusional pada grafik dengan pemfilteran spektral terlokalisasi cepat

5. Memahami jaringan perhatian grafik

GAT dapat menghadiri fitur -fitur lingkungan mereka, secara implisit menentukan bobot yang berbeda dengan node yang berbeda di lingkungan, tanpa memerlukan segala jenis operasi matriks yang mahal atau tergantung pada mengetahui struktur grafik di muka.

• Blog Gat
• Jupyter Notebook
• Kode
• Kertas -> Grafik Jaringan Perhatian

Kutipan

Silakan gunakan entri berikut untuk mengutip 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}},
}