图神经网络

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。

大数据AI人工智能培训专家培训讲师叶梓

图结构感知的Transformer：一种新的图表示学习方法人工智能咨询培训老师叶梓转载标明出处尽管图神经网络（GNNs）在处理图数据方面取得了显著成就，但它们在表达能力和捕获长距离依赖方面存在局限性。为了突破这些局限，研究者们开始探索将Transformer架构应用于图表示学习。在此基础上，瑞士苏黎世联邦理工学院的研究团队提出了一种创新的方法——Structure-Aware Transformer（SAT），旨在通过在自注意力机制中引入基于子图的表示，增强模型对图结构的感知能力，从而在计算注意力时能够显式地考虑节点间的图结构信息。

Python数据分析案例59——基于图神经网络的反欺诈交易检测（GCN,GAT,GIN）以前的数据分析案例的文章可以参考：数据分析案例以前二维的表格数据的机器学习模型都做烂了，['线性回归','惩罚回归','K近邻','决策树','随机森林','梯度提升','支持向量机','神经网络']，还有现在常用的XGBoost，lightgbm，catboost，以及普通的神经网络MLP。至于LSTM,GRU,RNN,Transformer都是三维的数据，时间序列系列的预测。

图神经网络实战（19）——异构图神经网络我们已经学习了如何生成包含不同类型节点(原子)和边(键)的分子结构，这种技术在其它应用中也具有广泛用途，例如推荐系统(用户和商品)、社交网络(关注者和被关注者)或网络安全(路由器和服务器)。我们将这类图称为异构图 (heterogeneous graph)，与同构图 (homogeneous graph) 相对，后者只涉及一种类型的节点和一种类型的边。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用

图神经网络实战（18）——消息传播神经网络我们已经学习了多种图神经网络 (Graph Neural Networks, GNN) 变体，包括图卷积网络 (Graph Convolutional Network, GCN)、图注意力网络 (Graph Attention Networks，GAT) 和 GraphSAGE 等。在本节中，我们将对这些变体 GNN 结构进行一般性总结，即 GNN 的通用框架，也是 GNN 架构的通用范式。研究 GNN 通用框架能够帮助我们更加清晰的对比各类 GNN 模型，同时也为 GNN 模型的扩展提供了灵活性。

芝士工具猿

GRL-图强化学习这个Python文件agent.py实现了一个强化学习（Reinforcement Learning, RL）的智能体，用于在图环境（graph environment）中进行学习。以下是文件的主要部分的概述：

图神经网络实战（12）——图同构网络(Graph Isomorphism Network, GIN)Weisfeiler-Leman (WL) 测试提供了一个理解图神经网络 (Graph Neural Networks, GNN) 表达能力的框架，利用该框架我们比较了不同的 GNN 层，在本节中，我们将利用 WL 测试结果尝试设计比图卷积网络 (Graph Convolutional Network, GCN)、图注意力网络 (Graph Attention Networks，GAT) 和 GraphSAGE 更强大的 GNN 架构——图同构网络 (Graph Isomorphism Network,

【区域脑图论文笔记】BrainNetCNN：第一个专门为脑网络连接体数据设计的深度学习框架文章源话早产儿/婴幼儿年龄概念【医学概念知识拓展】总结这里先了解一下论文的总体结果（其他结果在下面的笔记）

大数据AI人工智能培训专家培训讲师叶梓

GraphGPT——图结构数据的新语言模型在人工智能的浪潮中，图神经网络（GNNs）已经成为理解和分析图结构数据的强大工具。然而，GNNs在面对未标记数据时，其泛化能力往往受限。为了突破这一局限，研究者们提出了GraphGPT，这是一种为大语言模型（LLMs）量身定制的图结构知识融合框架。本文将探讨GraphGPT如何革新我们处理图数据的方式。

【论文复现】Graph Attention Networks图注意力神经网络这篇论文提出的核心方法就是在计算一个节点的输出的时候考虑与其相邻的节点对当前节点的影响，同时也将节点对自己的影响考虑在内，为了方便后续解释中将Graph Attention Networks简化成GAT来表述，阅读原版论文有困难可以看一下Aleksa大神录制的讲解视频辅助理解，我在看完视频以后对第多头注意力下的结果输出部分茅塞顿开，同时对自己看论文的时候的一些理解也更加深刻了；另外还有B站上的GAT代码讲解视频的讲解很详细,相比于pytorch给出的源码更加容易理解，本次是笔者的论文复现入门，代码部分采用