视频链接:《图神经网络》
相关文章:
动态网络为网络建模和预测增加了新的维度-时间。
这个新的维度从根本上影响网络属性,使网络数据更强大地表示出来,进而提高使用此类数据的方法的预测能力。
文章图片
A、Dynamic Graph Representations
文章图片
参考知识: 优秀!!!
- 《论文导读 | 动态图上神经网络模型综述》,原文《Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey》介绍一篇关于动态图上的神经网络模型的综述,本篇综述的主要结构是根据动态图上进行表示学习过程的几个阶段(动态图表示、模型学习、模型预测)进行分别阐述。包括
- 系统的探讨不同维度下的动态图分类方法以及各种方法下的数据表示格式
- 针对不同类别的动态图归纳目前图表示学习的主流算法模型(encoding部分)
- 分别讨论在预测阶段的主要方法,包括decoding, loss function, evaluation metrics等
- 《图神经网络前沿综述:动态图网络》,Katarzyna 主要关注复杂网络的动态和演化的分析与网络的结构和性质的建模。最近,她的团队将精力集中在利用机器学习和可预测性模型来研究动态复杂网络。综述可以分为以下几部分:
- 动态网络的分类和表示;
- 作为动态网络编码器的DGNN;
- 动态网络表征的解码与结构预测:以链路预测为例
文章图片
B. Link duration spectrum
文章图片
C. Node dynamics 【GNN|【GNN笔记】Dynamic Graph的分类(16)】
文章图片
D. The dynamics network cube
文章图片
E. 动态图网络算法
文章图片
推荐阅读
- GNN|李宏毅助教GNN视频笔记
- 论文深析|[论]【DSTG】Dynamic SpatiotemporalGraph Convolutional Neural Networks for Traffic Data Imputation
- 前沿AI技术体验(从文字直接产生图片,结果真的震撼! 非常有意思!)
- 算法相关|B站(李宏毅2020机器学习笔记 4 —— 深度学习优化 Optimization for Deep Learning)
- 算法相关|B站(李宏毅2020机器学习笔记 3 —— 梯度下降Gradient Descent)
- 机器学习|反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释
- 机器学习|Google Colab装载Google Drive(Google Colab中使用Google Drive)
- 机器学习|TensorBoard快速入门(Pytorch使用TensorBoard)
- 机器学习|【学习笔记-李宏毅】GAN(生成对抗网络)全系列(一)