Aim for Providing Quality Nursing Education....

提出对比训练的结构化世界模型（contrastively-trained structured world model, C-SWM），用于在无监督的情况下从原始像素观察中学习环境的对象分解模型。 接下来，我们来看这篇博士论文各章节的具体内容。

对比训练的结构化 世界模型 (C-SWMs) (Kipf 等，2020) 从无监督的原始像素观测中学习环境的目标分解模型。 C-SWM使用图神经网络以图的形式构造环境的表示，其中节点表示对象，边表示在动作影响下的成对关系或相互作用。 C-SWM使用对比学习进行了训练，没有基于像素的损失，非常适合学习具有组成结构的环境的模型。 GCN大佬 Thomas Kipf 现在是阿姆斯特丹大学四年级的博士生，导师是 Prof. Max Welling. 他的研究兴趣包括：learning with structured data …

2016年9月9日 · We present a scalable approach for semi-supervised learning on graph-structured data that is based on an efficient variant of convolutional neural networks which operate directly on graphs. We motivate the choice of our convolutional architecture via a localized first-order approximation of spectral graph convolutions.

2021年2月17日 · gcn是一种能够直接作用于图并且利用其结构信息的卷积神经网络。 这篇文章解决的是在一个图中，只有少部分结点的标签是已知情况下(Semi-supervised learning)的结点分类问题。

2024年11月13日 · 在gcn中，图结构 a a a 不仅是一个简单的约束项，而是作为数据的一部分直接输入到网络中，与节点特征 x x x 一起决定每个节点的输出。这种结合使得gcn在执行任务如节点分类时，能够考虑到每个节点的局部网络环境，从而允许模型捕获和利用节点间的依赖关系。

首先我们给出gcn的符号定义： 对于一个图 G=（V, E） ，输入 X 是一个 N\times D 的矩阵，表示每个节点的特征，同时有图的邻接矩阵 A 。 我们希望得到一个 N\times F 的特征矩阵 Z ，表示学习到的每个节点的特征表示， F 是我们希望得到的表示的维度。

2023年11月22日 · GCN（Graph Convolutional Network）是一种用于处理图结构数据的卷积神经网络模型。它的构建原理是基于图卷积操作，通过在图上进行局部的卷积运算来提取节点的特征表示。 具体来说，GCN通过邻居节点的信息聚合来更新每个节点的表示。

本文讲的gcn 来源于论文：semi-supervised classification with graph convolutional networks，这是在gcn领域最经典的论文之一。 我们可以根据这个GCN的图看到，一个拥有 个input channel的graph作为输入，经过中间的hidden layers，得到 个 output channel的输出。

2020年5月18日 · 提出对比训练的结构化世界模型（contrastively-trained structured world model, C-SWM），用于在无监督的情况下从原始像素观察中学习环境的对象分解模型。 接下来，我们来看这篇博士论文各章节的具体内容。