graph_nets

การเรียนรู้การแสดงกราฟ

repo นี้เป็นส่วนเสริมของชุดบล็อกของเรา อธิบาย: การเรียนรู้การแสดงกราฟ เอกสารสำคัญต่อไปนี้และบล็อกที่เกี่ยวข้องได้รับการคุ้มครองเป็นส่วนหนึ่งของซีรีส์และเรามองหาการเพิ่มบล็อกในงานที่สำคัญอื่น ๆ ในสาขานี้

การตั้งค่า

โคลนที่เก็บ Git:

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

Python 3 ที่มี Pytorch 1.3.0 เป็นข้อกำหนดหลัก ไฟล์ requirements.txt มีรายชื่อของการพึ่งพาอื่น ๆ หากต้องการติดตั้งข้อกำหนดทั้งหมดให้เรียกใช้สิ่งต่อไปนี้:

pip install -r requirements.txt

1. ทำความเข้าใจกับ Deepwalk

วิธีการเรียนรู้ออนไลน์ที่ไม่ได้รับแรงบันดาลใจจาก Word2vec ใน NLP แต่นี่คือเป้าหมายคือการสร้างการฝังโหนด

• บล็อก Deepwalk
• สมุดบันทึก Jupyter
• รหัส
• กระดาษ -> DeepWalk: การเรียนรู้ออนไลน์ของการเป็นตัวแทนทางสังคม

2. รีวิว: กราฟ Convolutional Networks (GCN)

GCNs ใช้ความคิดของเครือข่ายประสาทของ Convolution ที่กำหนดให้กำหนดไว้สำหรับโดเมนข้อมูลที่ไม่ใช่ Euclidean พวกเขาเป็น convolutional เนื่องจากพารามิเตอร์ตัวกรองมักจะใช้ร่วมกันในทุกตำแหน่งในกราฟซึ่งแตกต่างจาก GNN ทั่วไป

• บล็อก GCN
• สมุดบันทึก Jupyter
• รหัส
• กระดาษ -> การจำแนกประเภทกึ่งดูแลด้วยเครือข่ายกราฟ convolutional

3. กราฟปราชญ์ (ตัวอย่างและรวม)

วิธีการก่อนหน้านี้เป็นสิ่งที่ผ่านการเปลี่ยนแปลงและไม่ธรรมดาไปที่โหนดที่มองไม่เห็น กราฟเป็นเฟรมเวิร์กแบบอุปนัยการใช้ประโยชน์จากข้อมูลโหนดเพื่อสร้างการฝังโหนดอย่างมีประสิทธิภาพ

• บล็อกกราฟ
• สมุดบันทึก Jupyter
• รหัส
• กระดาษ -> การเรียนรู้การเป็นตัวแทนของกราฟขนาดใหญ่

4. Chebnet: CNN บนกราฟที่มีการกรองสเปกตรัมที่แปลได้อย่างรวดเร็ว

Chebnet เป็นสูตรของ CNNs ในบริบทของทฤษฎีกราฟสเปกตรัม

• บล็อก chebnet
• สมุดบันทึก Jupyter
• รหัส
• กระดาษ -> เครือข่ายประสาทเทียมบนกราฟที่มีการกรองสเปกตรัมที่มีการแปลอย่างรวดเร็ว

5. การทำความเข้าใจเครือข่ายความสนใจของกราฟ

GAT สามารถเข้าร่วมคุณสมบัติของละแวกใกล้เคียงได้โดยการระบุน้ำหนักที่แตกต่างกันโดยปริยายไปยังโหนดที่แตกต่างกันในละแวกใกล้เคียงโดยไม่ต้องใช้เมทริกซ์ราคาแพงหรือขึ้นอยู่กับการรู้โครงสร้างกราฟล่วงหน้า

• บล็อก GAT
• สมุดบันทึก Jupyter
• รหัส
• กระดาษ -> เครือข่ายความสนใจของกราฟ

การอ้างอิง

โปรดใช้รายการต่อไปนี้สำหรับการอ้างถึงบล็อก

 @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}},
}