图神经网络

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

【复杂网络分析】什么是图神经网络？在AI领域，我们熟悉的CNN（卷积神经网络）擅长处理图像这类欧几里得数据（结构规则、网格排列），RNN（循环神经网络）则适合处理文本这类序列数据（顺序依赖关系）。但现实世界中还有大量非欧几里得数据——比如社交网络（用户是节点、关系是边）、知识图谱（实体是节点、关联是边）、分子结构（原子是节点、化学键是边）、交通网络（路口是节点、道路是边）。

PyTorch实战（14）——图注意力网络（Graph Attention Network，GAT）我们已经通过使用图卷积网络 (Graph Convolutional Network, GCN) 模型在节点分类任务上具备了超越了基线多层感知机 (Multilayer Perceptron, MLP) 模型的性能。在本节中，我们将通过将 GCN 模型替换为图注意力网络 (Graph Attention Network, GAT) 模型来进一步提高分类准确率，核心改进在于将邻域节点信息平均聚合机制替换为注意力机制。接下来，将基于 GCN 的解决方案重构为基于 GAT 的解决方案。

图机器学习（7）——图神经网络 (Graph Neural Network, GNN)图神经网络 (Graph Neural Network, GNN) 是一类专门处理图结构数据的深度学习方法。这类方法也被称为几何深度学习 (geometric deep learning)，在社交网络分析、计算机图形学等众多领域正受到日益广泛的关注。根据图机器学习中定义的分类法，GNN 的编码器部分同时接收图结构和节点特征作为输入。这类算法既可采用监督学习，也可采用无监督学习进行训练。本节我们将重点探讨无监督训练方式。

图神经网络分享系列-GraphSage(Inductive Representation Learning on Large Graphs) (二)目录一、提出的方法：GraphSAGE嵌入生成算法（前向传播）参数学习1.1 嵌入生成（即前向传播）算法

图神经网络分享系列-GAT(GRAPH ATTENTION NETWORKS) (一)目录一、摘要图注意力网络（GAT）技术优势核心创新二、介绍提出了一种新型神经网络架构——图注意力网络（GAT），该架构基于图结构数据运行，通过掩码自注意力层解决传统图卷积方法及其近似算法的局限性。通过堆叠多层注意力机制，模型使节点能够自适应地关注邻居节点的特征，并隐式地为不同邻居节点分配差异化权重。这一设计无需依赖昂贵的矩阵运算（如求逆），也无需预先了解完整的图结构信息。