graph_nets

圖表示學習

此存儲庫是我們博客系列的補充：圖表表示學習。以下主要論文和相應的博客已作為該系列的一部分涵蓋，我們希望在該領域的其他一些重要作品中添加博客。

設定

克隆git存儲庫：

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

Pytorch 1.3.0的Python 3是主要要求。 requirements.txt文件包含其他依賴項的列表。要安裝所有要求，請運行以下內容：

pip install -r requirements.txt

1。了解深條路

無監督的在線學習方法，靈感來自NLP中的Word2Vec，但是，這裡的目標是生成節點嵌入。

• DeepWalk博客
• Jupyter筆記本
• 代碼
• 紙 - >深行：社會代表的在線學習

2。評論：圖形卷積網絡（GCN）

GCN借鑒了卷積神經網絡的想法，將其重新定義為非歐幾里得數據域。它們是卷積的，因為與典型的GNN不同，通常在圖中的所有位置共享過濾器參數。

• GCN博客
• Jupyter筆記本
• 代碼
• 紙 - >與圖形卷積網絡的半監督分類

3。圖形鼠尾草（樣品和聚集）

先前的方法是跨度的，並且不會自然地概括為看不見的節點。圖形是一個電感框架，利用節點特徵信息有效地生成節點嵌入。

• GraphSage博客
• Jupyter筆記本
• 代碼
• 紙 - >在大圖上學習的歸納表示

4。 Chebnet：CNN在具有快速局部光譜過濾的圖表上

Chebnet是在光譜圖理論的背景下的CNN的一種表述。

• Chebnet博客
• Jupyter筆記本
• 代碼
• 紙 - >具有快速局部光譜過濾的圖形上的捲積神經網絡

5。了解圖形注意網絡

GAT能夠在其社區的功能上參加，暗中指定了社區中不同節點的不同權重，而無需任何昂貴的矩陣操作或取決於預先了解圖形結構的情況。

• GAT博客
• Jupyter筆記本
• 代碼
• 紙 - >圖形注意網絡

引用

請使用以下條目引用博客。

 @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}},
}