时空图神经网络ST-GNN的概念以及Pytorch实现
对于时空图神经网络Spatail-Temporal Graph来说，最简单的描述就是在原来的Graph基础上增加了时间这一个维度，也就是说我们的Graph的节点特征是会随着时间而变化的。
使用Pytorch Geometric 进行链接预测代码示例
PyTorch Geometric (PyG)是构建图神经网络模型和实验各种图卷积的主要工具。在本文中我们将通过链接预测来对其进行介绍。
图注意网络(GAT)的可视化实现详解
本文介绍二零单个GNN层和GAT层的可视化实现。在论文中，他们还解释了是如何扩展多头注意方法的，我们这里没有进行演示。Graphbook是用于AI和深度学习模型开发的可视化IDE，Graphbook仍处于测试阶段，但是他却是一个很有意思的工具，通过可视化的实现，我们可以了解更多的细节。作者：Davi
图注意力网络论文详解和PyTorch实现
图注意力网络(GAT)[1]是一类特殊的gnn，主要的改进是消息传递的方式。他们引入了一种可学习的注意力机制，通过在每个源节点和目标节点之间分配权重，
【图神经网络实战】深入浅出地学习图神经网络GNN（下）
最简单的思路是：我们可以将每个时刻的序列先送入GCN进行特征提取，然后再将提取后的特征送入GRU单元往后传递，依此类推。图中的注意力机制相当于在某个点进行特征重构时，其邻接点都加上一个权重，使得其在重构特征时受权重较大的邻接点影响更大，起到注意力的效果。对于动态图，传统的GNN就不太好用了，想想在时
图神经网络的数学原理总结
图深度学习(Graph Deep Learning) 多年来一直在加速发展。本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实
GraphMAE：将MAE的方法应用到图中使图的生成式自监督学习超越了对比学习
前几天的文章中我们提到MAE在时间序列的应用，本篇文章介绍的论文已经将MAE的方法应用到图中，这是来自[KDD2022]的论文GraphMAE: Self-supervised Masked Graph Autoencoders
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例
深度学习模型的可解释性为其预测提供了人类可以理解的推理。本文将总结图神经网络模型的可解释性方法。
考虑关系的图卷积神经网络R-GCN的一些理解以及DGL官方代码的一些讲解
昨天写的GCN的一篇文章入榜了，可喜可贺。但是感觉距离我的目标还是有点远，因为最后要用R-GAT，我感觉可能得再懂一点R-GCN和GAT才可能比较好的理解R-GAT，今天就尝试一下把R-GCN搞搞清楚吧（至少得读懂DGL官方给的代码吧）R-GCN和GCN的区别就在于这个R。R-GCN考虑了关系对消息
使用特征传播重构缺失数据进行图机器学习
本文种展示的特征传播是一种用于处理图机器学习应用程序中缺失的特征的有效且可扩展的方法。它很简单，但效果出奇地好。
使用图神经网络从稀疏数据中学习连续时间偏微分方程
这是一篇在2020年发表在ICLR的论文，论文使用图神经网络从稀疏数据中学习连续时间偏微分方程，文章提出的模型主要创新点是允许任意空间和时间离散化
使用 PyTorch Geometric 在 Cora 数据集上训练图卷积网络GCN
本文将告诉你如何将斯坦福大学（CS224W: Machine Learning with Graphs）应用到实际当中并复现一篇论文的结果。
