GNN/GCN自己学习

一、图的基本组成

V:点(特征)

E:边

U:图(全局特征)

二、用途

整合特征(embedding),做重构

三、邻接矩阵

以图像为例,每个像素点周围都有邻居,用邻接矩阵表示哪些点之间有关系,邻接矩阵A是对称的,也可以不对称

文本也可以做邻接矩阵:

实际是2xN, (source , target),要不然维护一个NxN太多了

四、使用场景

输入的格式不需要固定,是随意的,没有CV NLP的resize等固定大小之说。比如说人的社交网络,随时会变

点边图

五、每个点特征更新(聚合 更新)

更新时肯定要考虑他们的邻居

GCN图卷积

一、

优势:可以做半监督学习

二、基本思想

计算特征,之后传入神经网络

图中基本组成:

邻接矩阵

特征计算方法:

使用度矩阵来做个平均

你的度和我的度都要考虑进来

基本公式

相关推荐
高洁018 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
在所不辞兄10 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
Oiiouui12 小时前
原始CNN识别与训练模型实现
神经网络·机器学习·cnn
Z21-X14 小时前
云原生运维学习笔记:Kubernetes Volume 与 Secret 实验
运维·笔记·学习·云原生·kubernetes
罗西的思考15 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
伞伞悦读17 小时前
【第90期】KNN分类回归流水线与K值对照的实验与排查
大数据·人工智能·python·深度学习·机器学习
console.log('npc')18 小时前
Python 学习教程 · 第4课:数据结构
数据结构·python·学习
星落梦生21 小时前
Docker学习(11)
学习·docker·容器
塑料铲子2 天前
你的 Skill 越多越蠢?Token 上下文爆炸的求生指南
机器学习·agent