没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
GNN: Review of Method and Applications
GNN: Review of Method and Applications
报
告
结
构
GNN
简
介
GNN
起
源
GNN
和
传
统
NN
的
区
别
GNN
分
类
GNN
模
型
概
览
图
神
经
⽹
络
各
种
GNN
的
变
体
不
同
的
图
类
型
传
播
类
型
训
练
⽅
法
GNN
⼀
般
框
架
Message Passing Neural Networks
Non-local Neural Networks
Graph Networks
GNN
应
⽤
开
放
问
题
The Graph Neural Network Model
论
⽂
概
要
图
领
域
应
⽤
GNN
模
型
详
述
学
习
算
法
Transition
和
Output
函
数
实
现
实
验
结
果
模
型
实
现
Graph Neural Network
图
卷
积
的
演
变
第
⼀
代
GCN
第
⼆代
GCN
第
三
代
GCN
论
⽂
模
型
实
验
结
果
DCNN
模
型
亮
点
模
型
详
述
实
验
结
果
优
缺
点
Tree-LSTM
论
⽂
亮
点
模
型
详
解
Child-Sum Tree-LSTMs
N-ary Tree-LSTMs
模
型
训
练
分
类
任
务
语
义
相
关
性
任
务
实
验
结
果
附
录
关
于
不
动
点
定
理
关
于
递
归
求
导
关
于
切
⽐
雪
夫
多
项
式
关
于
图
Fourier
变
换
关
于
RNN
系
列
模
型
基
础
RNN
模
型
LSTM
模
型
RNN
应
⽤
报
告
结
构
GNN
简
介
图
(graph)
是
⼀
种
数
据
结
构
,
图
神
经
⽹
络
(GNN)
是
深
度
学
习
在图
结
构
上
的
⼀个
分
⽀
。
常
⻅
的
图
结
构
包
含
节
点
(node)
和
边
(edge)
,
其
中
,
节
点
包
含
了
实
体
(entity)
信
息
,
边
包
含
实
体
间
的
关
系
(relation)
信
息
。
现
在
许
多
学
习
任
务
都
需
要
处
理
图
结
构
的
数
据
,
⽐
如
物
理
系
统
建
模
(physics system)
、
学
习
分
⼦
指
纹
(molecular
fingerprints)
、
蛋
⽩
质
接
⼝
预
测
(protein interface)
以
及
疾病
分
类
(classify diseases)
,
这
些
都
需
要
模
型
能
够
从
图
结
构
的
输
⼊
中
学
习
相
关
的
知
识
。
相
关
的
图
结
构
例
⼦
说
明
如
下
:
上
图
为
使
⽤
图
结
构来
给
物
理
系
统
建
模
,
每
⼀个
节
点
表
⽰
物
理
系
统
中
的
objects
,
每
⼀
条
边
表
⽰
不
同
object
之
间
的
关
系
。
上
图
为
分
⼦
结
构
,
每
⼀个
节
点
表
⽰
原
⼦
,
边
表
⽰
原
⼦
之
间
的
化
学
键
。
上
图
为
图
像
,
每
⼀个
节
点
表
⽰
图
像
中
的
每
⼀个
物
体
,
边
表
⽰
物
体
之
间
的
联
系
。
图
神
经
⽹
络
除
了
能
够
学
习
结
构
化
数
据
(
输
出
数
据
为
图
结
构
数
据
)
之
外
,
还
能
学
习
到
⾮
结
构
化
数
据
,
⽐
如
⽂
本
(texts)
和
图
⽚
(images)
,
并
能
够
在
提
取
出
的
图
结
构
中
进
⾏
推
理
(reasoning)
,
⽐
如
句
⼦
的
关
系
依
赖
树
(dependency tree of sentences)
和
图
⽚
的
情
景
图
(scene graph of images)
,
这
些
都
需
要
图
推
理
模
型
。
GNN
是
⼀
种
连
接
模
型
,
通
过
⽹
络
中
节
点
之
间
的
信
息
传
递
(message passing)
的
⽅
式
来
获
取
图
中
的
依
存
关
系
(dependence of graph)
,
GNN
通
过
从
节
点
任
意
深
度
的
邻
居
来
更
新
该
节
点
状
态
,
这
个
状
态
能
够
表
⽰
状
态
信
息
。
GNN
起
源
GNN
起
源
于
两
种
动
机
,
⼀
种
动
机来
⾃
于
卷
积
神
经
⽹
络
(CNN)
,
另
⼀
种
动
机来
⾃
于
图
嵌
⼊
(graph
embedding)
。
第
⼀
种
来
源
于
CNN
,
CNN
能
够
提
取
出
多
尺
度
的
局
部
空
间
特
征
,
并
将
它
们
进
⾏
组
合
来构
建
更
加
⾼
级
的
表
⽰
(expressive representations)
。
如
果
深
⼊
研
究
CNN
和
图
结
构
的
特
点
,
可
以
发
现
CNN
的
核
⼼
特
点
在
于
:
局
部
连
接
(local connection)
,
权
重
共
享
(shared weights)
和
多
层
叠
加
(multi-layer)
。
这
些
同
样
在图
问
题
中
⾮
常
试
⽤
,
因
为
图
结
构
是
最
典
型
的
局
部
连
接
结
构
,
其
次
,
共
享
权
重
可
以
减
少
计
算
量
,
另
外
,
多
层
结
构
是
处
理
分
级
模
式
(hierarchical patterns)
的
关
键
。
然
⽽
,
CNN
只
能
在
欧
⼏
⾥
得
数
据
(Euclidean
data)
,
⽐
如
⼆
维
图
⽚
和
⼀
维
⽂
本
数
据
上
进
⾏
处
理
,
⽽
这
些
数
据
只
是
图
结
构
的
特
例
⽽
已
,
对
于
⼀
般
的
图
结
构
,
可
以
发
现
很
难
将
CNN
中
的
卷
积
核
(convolutional filters)
和
池
化
操
作
(pooling operators)
迁
移
到
图
的
操
作
上
。
如
上
图
,
作
图
为
欧
⼏
⾥
得
空
间
,
右
图
为
⾮
欧
⼏
⾥
得
空
间
。
另
⼀
种
动
机来
源
于
图
嵌
⼊
,
所
谓
嵌
⼊
,
就
是
对
图
的
节
点
、
边
或
者
⼦
图
(subgraph)
学
习
得
到
⼀个
低
维
的
向
量
表
⽰
,
传
统
的
机
器
学
习
⽅
法
通
常
基
于⼈
⼯
特
征
⼯
程
来构
建
特
征
,
但
是
这
种
⽅
法
受
限
于
灵
活
性
不
⾜
、
表
达
能
⼒
不
⾜
以
及
⼯
程
量
过
⼤
的
问
题
,
词
嵌
⼊
常
⻅
的
模
型
有
Skip-gram
,
CBOW
等
,
图
嵌
⼊
常
⻅
模
型
有
DeepWalk
,
Node2Vec
等
,
然
⽽
,
这
些
⽅
法
⽅
法
有
两
种
严
重
的
缺
点
,
⾸
先
就
是
节
点
编
码
中
权
重
未
共
享
,
导
致
权
重
数
量
随
着
节
点
增多
⽽
线
性
增
⼤
,
另
外
就
是
直
接
嵌
⼊
⽅
法
缺
乏
泛
化
能
⼒
,
意
味
着
⽆
法
处
理
动
态
图
以
及
泛
化
到
新
的
图
。
GNN
和
传
统
NN
的
区
别
⾸
先
,
标
准
的
神
经
⽹
络
⽐
如
CNN
和
RNN
不
能
够
适
当
地
处
理
图
结
构
输
⼊
,
因
为
它
们
都
需
要
节
点
的
特
征
按
照
⼀
定
的
顺
序
进
⾏
排
列
,
但
是
,
对
于
图
结
构
⽽
⾔
,
并
没
有
天
然
的
顺
序
⽽
⾔
,
如
果
使
⽤
顺
序
来
完
整
地
表
达
图
的
话
,
那
么
就
需
要
将
图
分
解
成所
有
可
能
的
序
列
,
然
后
对
序
列
进
⾏
建
模
,
显
然
,
这
种
⽅
式
⾮
常
的
冗
余
以
及
计
算
量
⾮
常
⼤
,
与
此
相
反
,
GNN
采
⽤
在
每
个
节
点
上
分别
传
播
(propagate)
的
⽅
式
进
⾏
学
习
,
由
此
忽
略
了
节
点
的
顺
序
,
相
当
于
GNN
的
输
出
会
随
着
输
⼊
的
不
同
⽽
不
同
。
另
外
,
图
结
构
的
边
表
⽰
节
点
之
间
的
依
存
关
系
,
然
⽽
,
传
统
的
神
经
⽹
络
中
,
依
存
关
系
是
通
过
节
点
特
征
表
达
出
来
的
,
也
就
是
说
,
传
统
的
神
经
⽹
络
不
是显
式
地
表
达
中
这
种
依
存
关
系
,
⽽
是
通
过
不
同
节
点
特
征
来
间
接
地
表
达
节
点
之
间
的
关
系
。
通
常
来
说
,
GNN
通
过
邻
居
节
点
的
加
权
求
和
来
更
新
节
点
的
隐
藏
状
态
。
最
后
,
就
是
对
于
⾼
级
的
⼈
⼯
智
能
来
说
,
推
理
是
⼀个
⾮
常
重
要
的
研
究
主
题
,
⼈
类
⼤
脑
的
推
理
过
程
基
本
上
都
是
基
于
图
的
⽅
式
,
这
个
图
是
从
⽇
常
的
⽣
活
经
历
中
学
习
得
到
的
。
GNN
尝
试
从
⾮
结
构
化
数
据
⽐
如
情
景
图
⽚
和
故
事
⽂
本
中
产
⽣
结
构
化
的
图
,
并
通
过
这
些
图
来
⽣
成
更
⾼
层
的
AI
系
统
。
GNN
分
类
论
⽂
对
GNN
模
型
分
类
如
下
:
图
卷
积
⽹
络
(Graph convolutional networks)
和
图
注
意
⼒
⽹
络
(graph attention networks)
,
因
为
涉
及
到
传
播
步
骤
(propagation step)
。
图
的
空
域
⽹
络
(spatial-temporal networks)
,
因
为
该
模
型
通
常
⽤
在
动
态
图
(dynamic graph)
上
。
图
的
⾃
编
码
(auto-encoder)
,
因
为
该
模
型
通
常
使
⽤
⽆
监
督
学
习
(unsupervised)
的
⽅
式
。
图
⽣
成
⽹
络
(generative networks)
,
因
为
是
⽣
成
式
⽹
络
。
GNN
模
型
概
览
在
该
节
中
,
⾸
先
提
出
原
始
的
图
神
经
⽹
络
问
题
以
及
处
理
⽅
法
,
然
后
介
绍
各
种
GNN
的
变
体
模
型
,
⽤
来
解
决
原
始
GNN
的
⼀
些
缺
点
,
最
后
介
绍
三
种
通
⽤
的
框
架
,
包
括
MPNN
、
NLNN
和
GN
。
如
下
表
是
论
⽂
通
⽤
的
符
号
表
⽰
以
及
对
应
含
义
说
明
:
图
神
经
⽹
络
图
神
经
⽹
络
的
概
念
第
⼀
次
在
论
⽂
中
提
出
,
该论
⽂
将
现
存
的
神
经
⽹
络
模
型
扩
展
到
处
理
图
领
域
的
数
据
。
在
⼀
个
图
结
构
中
,
每
⼀个
节
点
由
它
⾃
⾝
的
特
征
以
及
与
其
相
连
的
节
点
特
征
来
定
义
该
节
点
。
GNN
的⽬
标
是
学
习
得
到
⼀个
状
态
的
嵌
⼊
向
量
(embedding)
,
这
个
向
量
包
含
每
个
节
点
的
邻
居
节
点
的
信
息
,
其
中
,
表
⽰
节
点
的
状
态
向
量
,
这
个
向
量
可
以
⽤
于产
⽣
输
出
,
⽐
如
输
出
可
以
是
节
点
的
标
签
,
假
设
是
带
有
参
数
的
函
数
,
叫
做
局
部
转
化
函
数
(local transition function)
,
这
个
函
数
在
所
有
节
点
中
共
享
,
并
根
据
邻
居
节
点
的
输
⼊
来
更
新
节
点
状
态
,
假
设
为
局
部
输
出函
数
(local output function)
,
这
个
函
数
⽤
于
描
述
输
出
的
产
⽣
⽅
式
。
那
么
和
按
照
如
下
式
⼦
产
⽣
:
其
中
, , , ,
分别
表
⽰
节
点
的
特
征
向
量
,
节
点
边
的
特
征
向
量
,
节
点
邻
居
节
点
的
状
态
向
量
和
节
点
邻
居
节
点
特
征
向
量
。
剩余44页未读,继续阅读
资源评论
- 芊暖2023-07-25这份《图神经网络GNN》笔记内容简明易懂,适合初学者入门学习,帮助了我很多。
- 蒋寻2023-07-25这份《图神经网络GNN》笔记以简便的语言诠释了复杂的概念,让人耳目一新。
- 断脚的鸟2023-07-25这份《图神经网络GNN》笔记给出了丰富的实例和案例,很有参考价值。
- 东郊椰林放猪散仙2023-07-25这份《图神经网络GNN》笔记内容全面,对GNN的原理和应用进行了深入解析,很值得阅读。
- 文润观书2023-07-25这份《图神经网络GNN》笔记整理得井井有条,对于掌握GNN有很大的帮助。
syp_net
- 粉丝: 158
- 资源: 1187
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- vlmcsd-1113-2020-03-28-Hotbird64(最新版本KMS)
- 433.基于SpringBoot的冷链物流系统(含报告).zip
- com.harmonyos4.exception.PowerFailureException(怎么解决).md
- 使用 Python 字典统计字符串中每个字符的出现次数.docx
- com.harmonyos4.exception.SystemBootFailureException(怎么解决).md
- 球队获胜数据集.zip
- ERR-NULL-POINTER(解决方案).md
- <项目代码>YOLOv8 航拍行人识别<目标检测>
- 计算机网络-socket-inet-master.zip
- Java编程学习路线:从基础到实战全攻略
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功