Публикации по теме 'graph-neural-networks'
Графы для графических нейронных сетей: от основ к приложениям — Часть 1b: Теория графов…
В этом посте, который является вторым постом из моей серии постов в блоге о графиках, мы рассмотрим еще 10 вопросов об основах теории графов.
Вы можете найти предыдущий пост здесь:
Новости AI/ML в марте-апреле 2022 г.
DALL·E 2, языковая модель Google 540B, трек блога ICLR, конференция Learning on Graphs и многие другие новости, которые вы, возможно, пропустили.
С тех пор, как 10 февраля 2022 года был опубликован мой первый выпуск новостей AI/ML , было много исследований и приложений в области AI/ML. Я отметил слишком много интересных исследовательских работ и блогов, чем смог переварить в своих лентах социальных сетей. Так что здесь я просто выделю самые интересные для меня. Я также исключаю все..
Преобразователи внимания ядра графа: к выразительной и масштабируемой обработке графов
Способность графовых нейронных сетей (GNN) работать со структурами данных графов сделала их пригодными для реальных приложений в социальных сетях, биоинформатике, а также в задачах навигации и планирования в робототехнике. Но, несмотря на их растущую популярность, GNN не лишены своих ограничений, которые включают эффективность обработки, проблему высокой вычислительной сложности и квадратичные требования к памяти для плотных графов.
Для решения этих проблем исследовательская группа..
Графическое машинное обучение: обзор
Демистификация графовых нейронных сетей — часть 1
Графическое машинное обучение: обзор
Ключевые понятия для начала работы
Графовые нейронные сети (GNN) привлекают внимание в науке о данных и машинном обучении, но до сих пор остаются малоизученными за пределами экспертных кругов. Чтобы понять этот захватывающий подход, мы должны начать с более широкой области графического машинного обучения (GML). Многие онлайн-ресурсы говорят о GNN и GML так, как будто они являются..
Обзор статьи: «Все, что вам нужно, это низкий (ранг): защита от состязательных атак на графы» в…
Название статьи: Все, что вам нужно, это низкий уровень (ранг): защита от состязательных атак на графы
Цитирование статьи: Негин Энтезари, Саба А. Аль-Сайури, Амирали Дарвишзаде и Эвангелос Э. Папалексакис. 2020. Все, что вам нужно, это низкий уровень (ранг): защита от состязательных атак на графиках. На Тринадцатой международной конференции ACM по веб-поиску и интеллектуальному анализу данных (WSDM ’20), 3–7 февраля 2020 г., Хьюстон, Техас, США. ACM, Нью-Йорк, штат Нью-Йорк, США, 9..
GCC: графическое контрастное кодирование для предварительного обучения графической нейронной сети
Загрузите технический документ Обнаружение облачных знаний в документах KDD , чтобы ознакомиться с 12 документами KDD и открытиями 12 экспертов Alibaba.
Авторы: Цзечжун Цю, Цибинь Чен, Юйсяо Дун, Цзин Чжан, Хунся Ян, Мин Дин, Куансан Ван, Цзе Тан
Изучению графических представлений уделялось большое внимание. Однако большинство методов обучения представлению графов используются для изучения и моделирования графов для конкретных проблем предметной области. Нейронные сети..
Визуализация сети | СетьX, Python
В этой статье я опишу, как визуализировать графовую сеть с помощью NetworkX. Например, я буду использовать набор данных MUTAG для представления реализации.
При работе над проектами с использованием графовой нейронной сети мне было трудно анализировать график до и после прогнозирования. Причина в том, что мы их не визуализировали. Все, что мы получили, — это огромное количество входных данных, включая ребра и узлы, а также выходные данные, содержащие некоторое значение. Именно это и..
