图神经网络

这张生成的图像能检测吗

(论文速读)MoNet:统一图与流形上的几何深度学习论文题目：Geometric deep learning on graphs and manifolds using mixture model CNNs(基于混合模型cnn的图形和流形的几何深度学习)

图神经网络分享系列-HAN(Heterogeneous Graph Attention Network)-torch(一)目录一、参数-args二、数据集2.1 切分数据集mask矩阵获取：三、训练+模型3.1 训练：3.2 模型

图神经网络分享系列-HAN(Heterogeneous Graph Attention Network)(二)目录一、概览1、整体架构2、数据集说明（本篇以acm为例）二、主函数1、超参数2、激活函数3、模型4、加载数据集

weixin_44040169

GNN（图神经网络）+GCN技术博客 A Gentle Introduction to Graph Neural Networks 该博客提供了一个playground（试炼场，就是一个给你自己去试试这个东西的环境）

图神经网络分享系列-HAN(Heterogeneous Graph Attention Network)(一)目录异构图注意力网络摘要1. 介绍2. 相关工作2.1. 图神经网络2.2. 网络嵌入3. 序言定义 3.1。

图神经网络分享系列-MPNN（Neural Message Passing for Quantum Chemistry）(二)目录三、相关研究四、QM9数据集性质分类五、MPNN变体5.1 消息函数5.2 虚拟图元素5.3 读出函数

这张生成的图像能检测吗

（论文速读）DGI：深度图信息论文题目：DEEP GRAPH INFOMAX（深度图信息）会议：ICLR2019摘要：我们提出了深度图信息(Deep Graph Infomax, DGI)，这是一种以无监督方式学习图结构数据中的节点表示的通用方法。DGI依赖于最大化补丁表示和相应的图的高级摘要之间的相互信息，两者都是使用已建立的图卷积网络架构派生的。学习到的补丁表示总结了以感兴趣的节点为中心的子图，因此可以在下游节点智能学习任务中重用。与大多数先前使用GCNs进行无监督学习的方法相比，DGI不依赖于随机漫步目标，并且很容易适用于传导和

这张生成的图像能检测吗

（论文速读）基于快速局域谱滤波的卷积神经网络论文题目：Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering（基于快速局域谱滤波的卷积神经网络）

这张生成的图像能检测吗

（论文速读）MTGNN：多变量时间序列预测与图神经网络论文题目：Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks（多变量时间序列预测与图神经网络）

这张生成的图像能检测吗

（论文速读）FastGCN:通过重要性采样快速学习图卷积网络论文题目：FASTGCN: FAST LEARNING WITH GRAPH CONVOLUTIONAL NETWORKS VIA IMPORTANCE SAMPLING(通过重要性采样快速学习图卷积网络)

图神经网络分享系列-GraphSage(Inductive Representation Learning on Large Graphs) (五)-实战篇目录一、前言二、算法核心代码讲解1、邻居采样1、一阶采样2、二阶采样2、聚合1、邻接矩阵2、邻接列表3、邻居聚合

图神经网络分享系列-GGNN(GATED GRAPH SEQUENCE NEURAL NETWORKS)(三)目录七、相关研究八、讨论GG-NN模型学到了什么？逻辑推理与模型学习的对比任务编码与背景知识实验结果与局限性

图神经网络分享系列-GGNN(GATED GRAPH SEQUENCE NEURAL NETWORKS)(一)目录摘要一、介绍主要贡献图特征学习的两种场景实验与应用二、图神经网络概述符号定义与关键概念GNN的两阶段计算

图神经网络分享系列-GraphSage(Inductive Representation Learning on Large Graphs) (四)目录A . 小批量伪代码核心思想采样与聚合阶段邻域采样函数采样方向与层数定义B. 附加数据集详情C. 实验设置与超参数调优细节

这张生成的图像能检测吗

（论文速读）GNS：学习用图网络模拟复杂物理论文题目：Learning to Simulate Complex Physics with Graph Networks（学习用图网络模拟复杂物理）

这张生成的图像能检测吗

（论文速读）R-GCNs：关系图卷积网络论文题目：Modeling Relational Data with Graph Convolutional Networks（用图卷积网络建模关系数据）

这张生成的图像能检测吗

（论文速读）GraphSAGE：大型图的归纳表示学习论文题目：大型图的归纳表示学习会议：NIPS2017摘要：大型图中节点的低维嵌入已经被证明在各种预测任务中非常有用，从内容推荐到识别蛋白质功能。然而，大多数现有的方法要求在训练嵌入时图中的所有节点都存在;这些先前的方法本质上是转导的，不能自然地推广到看不见的节点。在这里，我们提出GraphSAGE，一个通用的归纳框架，利用节点特征信息(例如，文本属性)有效地为以前未见过的数据生成节点嵌入。我们不是为每个节点训练单独的嵌入，而是学习一个函数，该函数通过从节点的局部邻域中采样和聚合特征来生成嵌入。我们的算法在

这张生成的图像能检测吗

（论文速读）VJTNN+GAN分子优化的图到图翻译论文题目：Learning Multimodal Graph-to-Graph Translation for Molecular Optimization（学习用于分子优化的多模态图到图转换）

这张生成的图像能检测吗

（论文速读）GCN：基于图卷积网络的半监督分类论文题目：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（基于图卷积网络的半监督分类）

这张生成的图像能检测吗

（论文速读）GAT：图注意神经网络论文题目：Graph Attention Networks （图注意神经网络）会议：ICLR2018摘要：我们提出了图注意网络(GATs)，这是一种新颖的神经网络架构，可以在图结构数据上运行，利用隐藏的自注意层来解决基于图卷积或其近似的先前方法的缺点。通过堆叠层，其中的节点能够参与其邻居的特征，我们可以(隐式地)为邻居中的不同节点指定不同的权重，而不需要任何昂贵的矩阵操作(例如反转)或依赖于预先知道的图结构。通过这种方式，我们同时解决了基于频谱的图神经网络的几个关键挑战，并使我们的模型很容易适用于感应和转