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
伞伞悦读几秒前
【第92期】逻辑回归的分数概率与阈值的实验与排查
人工智能·python·深度学习·机器学习
电科_银尘1 小时前
【大模型算法与工程 27】训练配方:批量、学习率、精度与梯度裁剪
学习·算法·机器学习
硅谷秋水7 小时前
面向精确到达任务的机器人-对齐3D高斯溅射方法——基于腕部-相机VLA策略
数码相机·机器学习·计算机视觉·3d·机器人
fly_sunnn8 小时前
机械狗的前置学习(python与Linux基础操作)
学习
龙腾AI白云9 小时前
数字孪生与计算机视觉:让机器看懂现场
大数据·数据库·机器学习·知识图谱·pygame
Rabitebla10 小时前
【Linux】文件篇(六):Shell 实战——从系统调用到命令行重定向
linux·服务器·c++·笔记·学习
Star(up up up)11 小时前
MySQL 事务隔离级别是如何实现的?从 MVCC 到锁机制原理详解
笔记·vscode·sql·学习·程序人生·mysql·学习方法
高洁011 天前
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1 天前
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