graph_nets

Aprendizagem de representação de gráficos

Este repositório é um suplemento à nossa série de blogs explicada: aprendizado de representação de gráficos . Os principais documentos seguintes e os blogs correspondentes foram abordados como parte da série e procuramos adicionar blogs sobre alguns outros trabalhos significativos no campo.

Configurar

Clone o repositório Git:

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

Python 3 com Pytorch 1.3.0 são os principais requisitos. O arquivo requirements.txt contém uma listagem de outras dependências. Para instalar todos os requisitos, execute o seguinte:

pip install -r requirements.txt

1. Compreendendo o Deepwalk

Abordagem de aprendizado on -line não supervisionada, inspirada no Word2Vec na PNL, mas aqui o objetivo é gerar incorporações de nós.

• Blog Deepwalk
• Notebook Jupyter
• Código
• Artigo -> Deepwalk: aprendizado on -line de representações sociais

2. Uma revisão: redes convolucionais de gráfico (GCN)

Os GCNs baseiam-se na idéia de redes de convolução que as redefiniram para redefini-las para o domínio de dados não euclidianos. Eles são convolucionais, porque os parâmetros de filtro são normalmente compartilhados em todos os locais do gráfico, diferentemente do GNNs típico.

• Blog gcn
• Notebook Jupyter
• Código
• Papel -> Classificação semi -supervisionada com redes convolucionais de gráfico

3. Gráfico Sage (amostra e agregado)

As abordagens anteriores são transdutivas e não generalizam naturalmente para nós invisíveis. O GraphSage é uma estrutura indutiva que alavancava informações sobre o recurso para gerar com eficiência incorporação de nós.

• Blog de graphsage
• Notebook Jupyter
• Código
• Papel -> Aprendizagem de representação indutiva em gráficos grandes

4. Chebnet: CNN em gráficos com filtragem espectral localizada rápida

Chebnet é uma formulação de CNNs no contexto da teoria dos gráficos espectrais.

• Chebnet Blog
• Notebook Jupyter
• Código
• Papel -> redes neurais convolucionais em gráficos com filtragem espectral localizada rápida

5. Compreendendo redes de atenção gráfica

O GAT é capaz de atender às características de seus bairros, especificando implicitamente diferentes pesos para diferentes nós em um bairro, sem exigir qualquer tipo de operação de matriz dispendiosa ou dependendo de conhecer a estrutura do gráfico antecipadamente.

• Blog gat
• Notebook Jupyter
• Código
• Papel -> Redes de atenção do gráfico

Citação

Use a entrada a seguir para citar o 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}},
}