2020年4月28日 · 通过大量的图结构数据的学习，和图中部分有标签的节点数据对GCN卷积神经网络结构模型的训练，使网络模型具备了对图中剩余无标签的数据的特征学习，促进了进一步分类的可能。 2. GAT (Graph Attention Networks, ICLR 2018)

本文总结了gcn,gat,graphsage,gin四种常见的gnn网络，给出了他们的简介和规约式介绍。 并给出一个简单方便理解的代码实例，方便大家理解。 一些比较重要的背景知识：

近年来新型GNN的设计主要基于经验直觉、启发式和实验试错法，而对神经网络的性质和局限性的理论较少。 文中提出理论框架来分析GNN的能力，这里主要是评价模型是否能够区分网络结构。 文中使用了 WL-test 方法，即图同构测试，它是一个区分网络结构的强效方法，也是通过迭代聚合邻居的方法来更新节点，它的强大在于使用了 injective （见后）聚合更新方法。 而这里要评测GNN是否能达到类似WL-test的效果。 文中还使用了多合集multiset的概念，指可能包含重复 …

在本文中，我们将详细介绍图同构网络（GIN）相对于图卷积网络（GCN）或GraphSAGE在判别能力方面的优势，并探讨它与Weisfeiler-Lehman测试的关联。 除了其强大的聚合器外，GIN还为图 神经网络 （GNN）的整体提供了令人兴奋的见解。 PROTEINS是一个在生物信息学中流行的数据集。 它由1113个蛋白质图组成，其中. 节点表示氨基酸。 当两个节点之间的 距离小于0.6纳米时，它们之间会有一条边相连。 该数据集的 目标是将每个蛋白质分类为酶或非酶。 酶是一类特 …

GNN 模型可以分为频谱域 (spectral domain) 和空间域 (spatial domain) 两大类：spectral 的方法通常利用了拉普拉斯矩阵，借助图谱的方式进行卷积操作；spatial 的方法通常使用更直接的方式聚合邻居节点的信息。 之前介绍的该 GCN 模型是基于频谱域 (spectral domain) 的，利用了拉普拉斯矩阵，总的来说 GCN 存在下面的缺点： GCN 假设图是无向的，因为利用了对称的拉普拉斯矩阵 (只有邻接矩阵 A 是对称的，拉普拉斯矩阵才可以正交分解)，不能直接用于有向图。 GCN 的作 …

2024年5月17日 · Graph Convolutional Network (GCN) 和 Graph Isomorphism Network (GIN) 都是用于处理图数据的深度学习模型。GCN 是一种基于图卷积操作的模型，它可以有效地学习图数据的表示，具有良好的可扩展性和泛化能力。

2023年5月11日 · 本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。 “近年来， 深度学习 领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。 GNN处理非 结构化数据 时的出色能力使其在网络 数据分析 、 推荐系统 、物理建模、 自然语言处理 和图上的组合优化问题方面都取得了新的突破。 图 …

图同构网络（GIN） 为了能够建模用于聚合的单射multiset函数，本文发明了“deep multisets”的理论，也就是用神经网络来参数化通用multiset函数。下面的引理阐述了sum聚合函数能够表示单射的通用multiset函数。 「引理5.」

GIN主要贡献如下： 展示了GNN模型可达到与WL-test类似的图结构区分效果; 设计了聚合函数和Readout函数，使GNN能达到更好的区分效果; 发现GCN及GraphSAGE无法很好表达图结构，而GNN可以; 开发了简单的网络结构GIN（图同构网络），它的区分和表示能力与WL-test类似。 2 ...

2023年9月30日 · GCN、GAT、GIN是三种常见的图神经网络模型。它们的主要差别在于信息聚合和传递的方式。 GCN（Graph Convolutional Networks）通过使用卷积操作来学习图中的局部特征。它使用顶点邻接矩阵的特定权值来表示顶点之间的...