Публикации по теме 'graph-neural-networks'


Введение в алгоритмы разбиения графа и обнаружение сообщества
Разбиение графа было давней проблемой и имеет широкий спектр приложений. В этом посте рассказывается о методологии разбиения графа как с теоретическими объяснениями, так и с практическими реализациями некоторых популярных алгоритмов разбиения графа с кодами Python. Уточнение «Кластеризация» может сбивать с толку в разных контекстах. В этой статье под кластеризацией понимается кластеризация узлов, то есть разбиение графов на кластеры (или сообщества). Мы взаимозаменяемо используем..
Выборка больших графов в PyTorch Geometric
Графические методы глубокого обучения на больших графах Иногда мы сталкиваемся с большими графиками, которые вынуждают нас выходить за пределы доступной памяти нашего графического процессора или процессора. В этих случаях мы можем использовать методы выборки графов. PyTorch Geometric - это библиотека для глубокого обучения графов, которая позволяет нам легко реализовать многие архитектуры графических нейронных сетей. Библиотека содержит множество стандартных наборов данных для..
Машинное обучение — 2-графовые нейронные сети
В первой части нашей серии статей о рекомендательных системах мы обсудили задачу и различные типы обычно используемых рекомендательных систем, а также соответствующие показатели, основанные на бизнес-контексте. В этой статье мы предоставим обзор теории графов и графовых нейронных сетей (GNN) в контексте рекомендательных систем. Классические подходы к завершению матрицы Одним из распространенных методов рекомендательных систем является использование классических методов машинного..
GraphMAE: генеративный метод может быть лучше, чем контрастный, в графическом самоконтролируемом обучении
[KDD2022] GraphMAE: самоконтролируемые автокодировщики маскированных графов [Код] Введение: генеративное обучение против контрастного обучения Обучение с самоконтролем извлекает свою собственную контролируемую информацию из большого количества неконтролируемых данных. По сравнению с контролируемым обучением, он использует информацию из самого набора данных для создания псевдометок. Обучение с самоконтролем имеет большой потенциал в качестве дополнения к обучению с учителем..
Графовые нейронные сети: от CNN к GAT
Даниэль Ко Графовые нейронные сети: от CNN к GAT Высокий уровень понимания перехода к SiGAT. Обзор Нейронные сети графов (GNN) позволили моделировать и анализировать сложные отношения из структур данных графа. В этом блоге мы рассмотрим эволюцию GNN, начиная со сверточных нейронных сетей (CNN) до графовых сверточных сетей (GCN), а затем и графовых сетей внимания (GAT). Наконец, мы рассмотрим предложенную сеть внимания со знаком подписанного графа (SiGAT) от 2019 года, которая..
Как обучить сеть внимания графа для классификации узлов ?
Графические сети внимания Нейронная сеть графа — это класс нейронных сетей для обработки данных графа, например. графики социальных сетей и графики различных белков и молекул. Сеть внимания графа — это новая архитектура нейронной сети, которая работает со структурированными данными графа, используя замаскированные слои самоконтроля для устранения недостатков сверток графа или их аппроксимаций. Сеть объединяет слои таким образом, что узлы могут следить за функциями своего района, что..
Как мы можем объяснить графическую нейронную сеть
Пошаговое руководство для GNNExplainer для объяснения узлов и графиков, реализованных в PyTorch Geometric. Графическая нейронная сеть (GNN) - это тип нейронной сети, которая может быть непосредственно применена к данным с графической структурой. В моем предыдущем посте я кратко познакомился с GNN. Читатели могут быть перенаправлены к этому посту для получения более подробной информации. Многие исследования показали, что GNN способна понимать графики, но то, как и почему работает..