图神经网络

Ai尚研修-贾莲

最新Transformer模型及深度学习前沿技术应用近年来，随着卷积神经网络（CNN）等深度学习技术的飞速发展，人工智能迎来了第三次发展浪潮，AI技术在各行各业中的应用日益广泛。为了帮助学员深入了解人工智能领域近3-5年内的最新理论与技术，Ai尚研修特别推出全新的《Transformer模型及深度学习前沿技术应用高级培训班》。本课程将带您全面掌握AI前沿技术、新理论及其Python代码实现，助您走在人工智能的技术前沿。课程内容采用“理论讲解 + 案例实战 + 动手实操 + 讨论互动”的多元教学方式，层层剖析，深入浅出地讲解以下核心技术：

图神经网络(GNN)模型的基本原理在人工智能领域，数据的多样性促使研究人员不断探索新的模型与算法。传统的神经网络在处理像图像、文本这类具有固定结构的数据时表现出色，但面对具有不规则拓扑结构的图数据，如社交网络、化学分子结构、知识图谱等，却显得力不从心。

2025最新Transformer模型及深度学习前沿技术应用1、注意力机制的背景和动机（为什么需要注意力机制？注意力机制的起源和发展里程碑）。2、注意力机制的基本原理（什么是注意力机制？注意力机制的数学表达与基本公式、用机器翻译任务带你了解Attention机制、如何计算注意力权重？）

什么是图神经网络？图神经网络（Graph Neural Network, GNN）是一类专门用于处理图结构数据的神经网络。图结构数据广泛存在于各种实际应用中，如社交网络、分子结构、知识图谱等。GNN通过在图的节点和边上进行信息传递和聚合，能够有效地捕捉图结构中的复杂关系和特征。

动手学图神经网络（3）：利用图神经网络进行节点分类从理论到实践在之前的学习中，大家对图神经网络有了初步的了解。本次教程将深入探讨如何运用图神经网络（GNNs）来解决节点分类问题。在节点分类任务里，大家往往仅掌握少量节点的真实标签，却要推断出其余所有节点的标签，这属于归纳式学习的范畴。

AAAI2024论文解读|HGPROMPT Bridging Homogeneous and Heterogeneous GraphsHGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning 跨同构异构图的小样本提示学习

小锋学长生活大爆炸

【DGL系列】dgl中为graph指定CSR/COO/CSC矩阵格式转载请注明出处：小锋学长生活大爆炸[xfxuezhagn.cn]如果本文帮助到了你，欢迎[点赞、收藏、关注]哦~

PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。

一文快速预览经典深度学习模型（二）——迁移学习、半监督学习、图神经网络（GNN）、联邦学习Hi，大家好，我是半亩花海。本文主要简要并通俗地介绍了几种经典的深度学习模型，如迁移学习（Transfer Learning, TL）、半监督学习（Semi-supervised Learning, SSL）、图神经网络（Graph Neural Networks, GNN）、联邦学习（Federated Learning, FL）等，便于大家初探深度学习的相关知识，并更好地理解深度学习的基础内容，为后续科研开展建立一定的基础，欢迎大家一起交流学习。

基于图神经网络的大语言模型检索增强生成框架研究：面向知识图谱推理的优化与扩展在大型语言模型(LLMs)相关的人工智能突破中，图神经网络(GNNs)与LLMs的融合已成为一个极具前景的研究方向。这两类模型的结合展现出显著的互补性，能够协同增强LLMs的推理能力和上下文理解能力。通过从知识图谱(KGs)存储的海量信息中进行智能化检索，该结合能够生成准确且不含幻觉的答案。

Hyperbolic Representation Learning: Revisiting and Advancing 论文阅读论文地址：https://arxiv.org/pdf/2306.09118 代码地址：https://github.com/marlin-codes/HIE

图神经网络代码学习—基本使用与分类任务对于在多目标跟踪中应用图匹配网络，需要学习使用GNN图神经网络，对于图神经网络的实现需要学习使用一下库和项目来进行实践。

消息传递神经网络（Message Passing Neural Networks, MPNN）GNN中的消息传递机制是借助PyG、DGL之类的图神经网络框架来编写自己的消息传播GNN的基础，只有对其了解比较深刻，才能更好的设计自己的GNN模型。

爱睡觉的咋

GNN入门案例——KarateClub结点分类Karate Club 图任务是一个经典的图结构学习问题，通常用于社交网络分析和社区检测。该数据集是由 Wayne W. Zachary 在1977年收集的，描述了一个美国的空手道俱乐部成员间的社交互动。

图神经网络（GNN）入门笔记（1）——图信号处理与图傅里叶变换时域（Time Domain）是我们生活中常见的信号表示方式，以横轴为时间，纵轴为信号该时刻的强度（幅度），就可以得到一张时域图。打个比方，通过每时每刻的震动强度可以得到音频的时域图，或者画一张每小时的车流量，或者每日的降水量的图，也是时域图。频域（Frequency Domain）则是一种数学上描述信号的方式。在频域中，唯一存在的波形是正弦波（Sine Wave，此处指代余弦和正弦这样的简谐波总称），通过不断叠加不同周期的正弦波，我们认为我们可以拟合所有的时域信号。画成图的话，频域是横轴为频率，纵轴为

医学小达人

Python 分子图分类，GNN Model for HIV Molecules Classification，HIV 分子图分类模型；整图分类问题，代码实战一、分子图分子图（molecular graph）是一种用来表示分子结构的图形方式，其中原子被表示为节点（vertices），化学键被表示为边（edges）。对于HIV（人类免疫缺陷病毒），分子图可以用来详细描述其复杂的化学结构和相互作用，这对于理解HIV的生物学特性和开发治疗药物至关重要。

【241027-论文阅读】DGraph: A Large-Scale Financial Dataset for Graph Anomaly DetectionDGragh是一个用于图异常检测（gragh anomaly detection, GAD）的大型金融数据集。

zbdx不知名菜鸡

图神经网络黑书笔记--术语· 图由节点集合和边集合组成。节点代表实体，边代表实体之间的关系。节点、边、整个图都可以与丰富的信息相关联，这些信息被表征为节点/边/图的特征。

Graph Contrastive Learningwith Reinforcement AugmentationIJCAI24 推荐指数： #paper/⭐⭐⭐ 领域：图增强+强化学习不愧是清华组的论文，这个实验的目的是利用强化学习去生成对比学习的增强视图。但是，其仍然有一些小问题：其本质实际是对以往的图增强方法套了一层强化学习的壳（因此好像也没有获得oral或者spotlight)，个人觉得提升应该不明显。但是明显是一个有趣的方向

ReGCL Rethinking Message Passingin Graph Contrastive LearningAAAI24 推荐指数： #paper/⭐ 总体说：利用梯度对对比正负样本加权的。个人觉得和与正负样本加权没有区别，读完之后不想做笔记了。