Публикации по теме 'graph-neural-networks'
Графические нейронные сети: учебный путь с 2008 года - часть 2
Вторая история о графовых нейронных сетях Скарселли. Сегодня давайте реализуем то, что мы узнали: GNN на Python
Присоединяйтесь к Medium по моей реферальной ссылке - Стефано Бозисио Как участник Medium, часть вашего членского взноса идет писателям, которых вы читаете, и вы получаете полный доступ ко всем историям ... medium.com
В первой части этой серии мы узнали теоретические основы графических нейронных сетей Скарселли. В..
Граф нейронных сетей с PyG для классификации узлов, прогнозирования ссылок и обнаружения аномалий
Геометрические реализации Pytorch для основных задач с графами
Graph Neural Networks — это алгоритм машинного обучения, разработанный для графически структурированных данных, таких как социальные графы, сети в кибербезопасности или молекулярные представления. За последние несколько лет он быстро развивался и используется во многих различных приложениях. В этом сообщении блога мы рассмотрим его реализации кода для основных задач с графами, а также все основы GNN, включая его приложения..
Графическая нейронная сеть для аппроксимации центральностей сети в Neo4j
В этом посте мы рассмотрим, как можно развернуть графическую нейронную сеть для аппроксимации показателей сетевой центральности, таких как гармоническая центральность, центральность собственного вектора и т. Д., И включить их в качестве свойств в граф Neo4j.
Распространенная проблема, с которой сталкиваются аналитики графов, - это временная сложность, которую имеют многие из наиболее важных метрик централизации.
Например, Cohen et al. проиллюстрируйте в разделе «Вычисление классической..
Почти свободные индуктивные вложения превосходят обученные графические нейронные сети в классификации графов ...
Тренироваться или не тренироваться - вопрос не в этом (Аноним)
Нетренированная сверточная сеть графов [1] (uGCN) со случайно назначенными весами была моим основным базовым кодировщиком для ряда задач с данными графов из-за чрезвычайно низкой стоимости, простоты реализации и довольно очевидной элегантности. Тем не менее, никто (насколько мне известно) не сообщил о тестах производительности этой простой модели по сравнению с ее старшей сестрой - полностью развитой (непрерывно обученной)..
История моей первой золотой медали на одном соревновании Kaggle: что сделано и извлеченные уроки
Или рассказ о прекрасной команде
Принять участие в соревнованиях kaggle - серьезный вызов. Вам нужно потратить много времени и усилий, изучать новое и пробовать много трюков, чтобы получить высокий балл. И часто этого недостаточно, потому что есть много замечательных людей, у которых больше опыта, больше свободного времени, больше оборудования или каких-то других преимуществ (может быть, у них даже есть все преимущества).
Раньше мне удавалось получать на соревнованиях только..
Учебное пособие по автокодировщикам вариационных графиков
Графики применимы ко многим реальным наборам данных, таким как социальные сети, сети цитирования, химические графы и т. Д. Растущий интерес к данным с графической структурой увеличивает количество исследований в графовых нейронных сетях.
Вариационные автоэнкодеры (VAE) воплотили успех вариационных байесовских методов в глубоком обучении и вдохновили широкий спектр текущих исследований. Автокодер с вариационным графом (VGAE) применяет идею VAE к структурированным данным, что значительно..
Графовые сети — Собираем все вместе
Это третий пост из серии о графовых сетях , основанной на недавней статье исследователей из DeepMind [1]. До сих пор мы обсуждали мотивацию того, почему графовые сети полезны для продвижения исследований ИИ, и как они работают с точки зрения вероятности. Теперь я собираюсь кратко объяснить, как структура графа полезна при обучении моделированию реальных процессов, и представить некоторые математические основы того, как обучаются графовые сети.
Распределенные представления и изоморфизм..
