2022年11月20日 · GNN（Graph Neural Network）和GCN（Graph Convolutional Network）都是用于图像识别和节点分类等任务的深度学习模型。 它们的 区别 在于 GCN 是 GNN 的一种特殊形式。

2021年11月16日 · 本篇博客从图神经网络（GNN）的动机与模型，图卷积网络（GCN）的模型详解与公式推导引入，重点介绍图注意力网络（GAT）的目标函数推导，模型解析，并使用不同框架复现GAT论文实验，对比分析结论与论文结果，并在最后补充一定的GAT推广与优化（内附Python ...

GCN 的入门文章就介绍完了，大致思路为：CNN 中的卷积无法直接应用于网络图中，所以引出了图信号处理（Graph Signal Processing）中的 Graph Fourier Transformation，进而定义 Graph Convolution，最后结合深度学习发展出来 GCN。

GNN概念： 一个对图上的所有属性可以进行优化的transform，且能够保存图的对称信息，具有三个特点： 5.2. GNN的简单构建： 基于MLP【如图10所示，每一个 f_ {?} 训练不用的向量，分别建立MLP模型（输入size=输出），三个MLP独立进行并形成一个GNN的层，因此将得到一个属性被更新但结构不变的new图】 5.3. GNN最后一层的输出如何得到预测值，分为以下几种情况： A. 情况一： 例如对得到的顶点做简单的预测【见图11，比如两个老师决裂，区分学生属于哪个老 …

2023年10月23日 · GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行 节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到 图的嵌入表示（graph embedding）。 详细可参考： 图卷积神经网络GCN_哔哩哔哩_bilibili. 如上图所示，从右向左分别为0，1，2层，以C为例，C点连接A、B、E、F四个点，对该四个点进行逐元素相加求平均值，上图中的N（v）是个数，此例中就等 …

2023年11月24日 · GCN 的入门文章就介绍完了，大致思路为：CNN 中的卷积无法直接应用于网络图中，所以引出了图信号处理（Graph Signal Processing）中的 Graph Fourier Transformation，进而定义 Graph Convolution，最后结合深度学习发展出来 GCN。

直接处理图数据的卷积神经网络先后经历了： Spectral GCN 、 Chebyshev GCN 、GCN的演变，其内在动力是通过不断简化模型、提升计算效率。 GCN可以看作Spectral GCN的一阶近似表达，它更是连接谱域与空域图卷积网络的桥梁。 1）图的 Laplacian矩阵： L=D-A ，其中D为图的度矩阵，A为图的邻接矩阵。 如果是无向图，则L是实对称矩阵，可进行如下对角化： L=U \Lambda U^ {-1}=U \Lambda U^ {T} 2） 图论傅里叶变换：对于一个图信号 \phi ，图论傅里叶变换定义 …

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。

2021年9月23日 · Explore the most popular gnn architectures such as gcn, gat, mpnn, graphsage and temporal graph networks

2025年2月10日 · 图注意力网络 (Graph Attention Networks, GAT) 是对图卷积网络 (Graph Convolutional Network, GCN) 的改进，提出了一种通过自注意力 (self-attention) 过程计算的加权因子，而不是使用静态的归一化系数。在本节中，我们介绍了 GAT 架构。