awesome gcn

このリポジトリは、GCN、GAT（グラフの注意）関連リソースを収集することです。

githubリポジトリ：

埋め込む：

1. TKIPF/GCN、Tensorflowでのグラフ畳み込みネットワークの実装、

2. TKIPF/KERAS-GCN、KERASグラフ畳み込みネットワークの実装、

3. OCECHAIN/GCN、グラフ畳み込みネットワーク、

4. petarv-/gat、グラフ注意ネットワーク（https://arxiv.org/abs/1710.10903）、

5. Diego999/Pygat、Veličkovićet。によるグラフ注意ネットワークモデルのPytorch実装AL（2017、https://arxiv.org/abs/1710.10903）、

6. MP2893/グラム、グラフベースの注意モデル、

7. Danielegrattarola/Keras-Gat、Keras Graph Atterness Networks（GAT）の実装Veličkovićetal。 （2017; https://arxiv.org/abs/1710.10903）、

8. Luckick/EAGCN、エッジ注意ベースの多関係グラフ畳み込みネットワークの実装、

GCNの改善：

1. lightaime/deep_gcns、「gcnsはcnnsと同じように深くなることができますか？」

例とチュートリアル：

1. dbusbridge/gcn_tutorial、グラフ畳み込みニューラルネットワークに関するチュートリアル、

知識グラフ：

1. TKIPF/Relational-GCN、Kerasベースのリレーショナルグラフ畳み込みネットワークの実装

2. 1049451037/gcn-align、紙のコード：グラフ畳み込みネットワークを介した言語間知識グラフのアライメント。

3. Michschli/RelationSprediction、リレーショナルリンク予測のためのR-GCNの実装

4. Xiangwang1223/Knowledge_graph_attention_network、kgat：知識グラフ注意ネットワークの推奨、KDD2019、

5. deepakn97/laterationprediction、ACL 2019：知識グラフの関係予測のための注意ベースの埋め込みを学習する、

関係抽出：

1. Qipeng/gcn-over-pruned-tree、剪定された依存性ツリー上のグラフ畳み込みにより、関係抽出（著者のpytorchの実装）が改善されます。

2. Malllabiisc/Leside、emnlp 2018：居住：副情報を使用した遠距離の監視された神経関係抽出の改善、

3. CARTUS/AGGCN_TACRED、注意ガイド付きグラフ畳み込み抽出のためのグラフ畳み込みネットワーク（ACL19論文の著者のPytorch実装）、

テキスト分類：

1. Yao8839836/text_gcn、テキスト分類のためのグラフ畳み込みネットワーク。 AAAI 2019、

2. Yuanluo/text_gcn_tutorial、このチュートリアル（現在開発中）は、私たちの論文でのテキストGCNの実装に基づいています。 「テキスト分類のためのグラフ畳み込みネットワーク。」人工知能に関する第33回AAAI会議（AAAI-19）で

3. plkmo/bible_text_gcn、テキストベースのグラフ畳み込みネットワーク、

4. Iamjagdeesh/fake-news-retection、Bert and Graph Attention Networks（GAT）を使用してそれに関連付けられたコンテンツとユーザーに基づく偽のニュース検出器。

埋め込みという言葉：

3. Malllabiisc/wordgcn、ACL 2019：グラフ畳み込みネットワークを使用した単語埋め込みに構文情報とセマンティック情報を組み込む、

NER：

1. contextscout/gcn_ner、エンティティ認識という名前のグラフ畳み込みニューラルネットワーク、

QA：

1. Berc-Uoft/Transformer-GCN-QA、トランスとGCNSに基づくマルチホップQ/Aアーキテクチャ、

Coreference Resolution：

1. Ianycxu/rgcn-with-bert、グラフ畳み込みネットワーク（GCN）のコアファレンス解像度タスク[pytorch] [dgl]、

おすすめ：

1. Peijiesun/diffnet、このコードは論文用にリリースされています：Le Wu、Peijie Sun、Yanjie Fu、Richang Hong、Xiting Wang、Meng Wang。社会的推奨のための神経影響拡散モデル。 SIGIR2019に受け入れられました。

スケルトンベースのアクション認識：

1. Yysijie/St-GCN、Pytorchでのスケルトンベースのアクション認識のための空間的時間グラフ畳み込みネットワーク（ST-GCN）

異常検出：

1. JX-Zhong-For-Academic-Purpose/G​​CN-ANOMALY-OTECTION、CVPR 2019のソースコードのプレースホルダー：グラフ畳み込みラベルノイズクリーナー：異常検出のためのプラグアンドプレイアクション分類器を訓練します。

2. kaize0409/gcn_anomalydetection、属性ネットワーク上の深い異常検出のコード（SDM2019）。

フェイスクラスタリング：

1. Zhongdao/gcn_clustering、cvpr'19のコードGCNを介した紙のリンケージベースのフェイスクラスタリング、

2. YL-1993/クラスター学習、アフィニティグラフで顔をクラスター化することを学ぶ（CVPR 2019）、

個人の属性認識：

2. 2014Gaokao/Pedestrian-Attribute-Recognition-with-gcn、監視シナリオでの歩行者属性認識のためのGCN、

人の検索：

1. sjtuzq/person_search_gcn、このリポジトリは、私たちの論文「人の検索のための学習コンテキストグラフ」のコードをホストしています、CVPR2019 Oral、

画像セグメンテーション：

1. Fidler-Lab/Curve-GCN、Curve-GCNの公式Pytorchコード（CVPR 2019）、

画像分類：

1. Chenzhaomin123/ml_gcn、グラフ畳み込みネットワークによるマルチラベル画像認識のPytorch実装、CVPR 2019、

2. rusty1s/graphベースの画像分類、tensorflowにおける平面グラフ畳み込みネットワークの実装、

3. avirambh/msdnet-gcn、ICLR 2018再現性チャレンジ - 効率的な予測のためのマルチスケールの密な畳み込みネットワーク、

4. judyye/zero-shot-gcn、GCNによるゼロショット学習（CVPR 2018）、

シーングラフの生成：

1. nvidia/contrastivelosses4vrd、cvpr2019ペーパーの実装「シーングラフ生成のグラフィカルコントラシティブ損失」、

2. Yuweihao/Kern、シーングラフ生成のための知識埋め込まれたルーティングネットワークのコード（CVPR 2019）、

3. shijx12/xnm-net、「シーングラフ上の説明可能で明示的な視覚的推論」のPytorch実装、

4. jiayan97/linknet-pytorch、シーングラフ生成のためのlinknetのpytorch再実装、

5. uehwan/3d-scene-graph、3dシーングラフジェネレーターはpytorch。、、

6. Kenneth-Wong/SceneGraph_mem、CVPR 2019のコード：シーングラフ生成の関係のコンテキストと視覚的パターンの調査、Wenbin Wang、Ruiping Wang、Shiguang Shan、Xilin Chen、CVPR2019。

7. danfeix/scene-graph-tf-release、「シーングラフ生成反復メッセージの渡されたコードリポジトリhttp://cs.stanford.edu/~danfei/scene-…、

8. Google/SG2IM、「シーングラフからの画像生成」のコード、Johnson et al、CVPR 2018、

9. Rowanz/Neural-Motifs、Neural Motifsのコード：グローバルコンテキストで解析するシーングラフ（CVPR 2018）https://rowanzellers.com/neuralMotifs、

10. jwyang/graph-rcnn.pytorch、eccv 2018ペーパーのpytorchコード "シーングラフ生成用のグラフr-cnn"およびその他の論文、

11. Yikang-Li/FactorizableNet、Factorizable Net（Multi-GPUバージョン）：シーングラフ生成のための効率的なサブグラフベースのフレームワーク、

交通の流れ：

1. Lehaifeng/T-gcn、都市交通流量予測法のための時間グラフ畳み込みネットワーク

2. franceszhou/gcntrafficprediction、

3. Davidham3/ASTGCN、トラフィックフロー予測のための注意ベースの空間的グラフ畳み込みネットワーク（ASTGCN）AAAI 2019、

病気の予測：

2. パリソット/人口-GCN、母集団のグラフCNNSグラフ：ABIDEデータセットの分類、

パス予測：

1. Zhenye-NA/GCN-SPP、グラフ畳み込みネットワークを使用した最短パス予測、

2. raphaelavalos/attence_tsp_graph_net、注意の実装は、deepmindのグラフネットライブラリでTSPを解決します。

3Dポイントクラウド：

1. maggie0106/graph-cnn-in-3d-point-cloud-分類、3Dポイントクラウド分類用のグラフCNNのコード（ICASSP 2018）、

2. jiexiong2016/gcnv2_slam、深い機能を備えたリアルタイムスラムシステム、

シーケンスへのグラフ：

1. wngzhiqi/graph2seq-graph-to-sequence-realning-with-attentionに基づいたneural-networksであるこのレポは、CMUで11785（Deep Learning）のプロジェクトです。 「Graph2Seq：Graph to sequence based Neural Networks」（https://arxiv.org/pdf/1804.00823.pdf）と呼ばれる紙を再現しています。チームメンバー：Zhiqi Wang、Ziyin Huang、Hong Du、Zhengkai Zhang、

2. syxu828/graph2seq-0.1、これは紙「Graph2seq：Graph to sequence to sequence based neural Networks」のコードです、

化学物質の安定性の予測：

1. mingcpu/deepchemstable、deepchemstable：注意ベースのグラフ畳み込みネットワークを使用した化学的安定性予測、