[ad]
Сообщество графов хочет тебя!
Поиск человека, который делится знаниями с другими. адрес сайта сообщества находится ниже ссылки.
Члены графического сообщества почти 200 человек только в Южной Корее. Я думаю, что чем больше сообщество, тем лучше. поэтому я объявляю эту новость для вас, кто интересуется созданием сообщества.
GL2vec: встраивание графиков, дополненное линейными графиками с граничными функциями
[https://dl.acm.org/doi/10.1007/978-3-030-36718-3_1]
Введение
В этой статье GL2vec дополняет недостатки Graph2vec, предка вложений графов. Традиционный Graph2vec использует для встраивания только информацию о метках узлов. Но в графе есть не только узлы, но и ребра. Graph2vec рассматривает только информацию об «узле» и не учитывает информацию о ребре, поэтому существует ограничение, заключающееся в том, что он не отражает важность, когда атрибуты, содержащиеся в ребре, важны. Чтобы преодолеть это ограничение, автор статьи представляет идею использования линейного графика.
предварительный
Линейный график, элементы графика, узлы и ребра заменены. Поменяв местами узлы и ребра, каждый из двух узлов, соединенных ребром, считается одним.
Краткое содержание
«nx.line_graph()» — это строка, отличная от существующего кода graph2vec и реализации. Все остальные коды одинаковы. Мы применяем алгоритм Вайсфейлера-Лемана для извлечения уникальных особенностей структуры, синтезируем информацию, преобразовываем ее в форму документации и применяем doc2vec для завершения встраивания.
понимание
Для тех из вас, кому было интересно узнать, как меняется производительность до и после применения узла с атрибуцией краев, я думаю, что эта статья может предоставить информацию для тех, кто нуждался в справке.
Графические фильтры Калмана
[https://arxiv.org/pdf/2303.12021.pdf]
Введение
Фильтр Калмана, я думаю, вы все слышали о нем хотя бы раз. Перспектива предсказания будущих состояний на основе прошлых настоящих состояний. Эта статья включает перспективы фильтра Калмана в графики. В частности, он измеряет, как узлы атрибутов графа и топологии изменяются с течением времени. В отличие от существующего фильтра Калмана, очевидной разницы нет, за исключением того, что добавляется слой, который считывает информацию (составной граф).
Предварительный
Фильтры Калмана
Фильтр Калмана — это алгоритм, используемый для оценки состояния динамической системы на основе зашумленных или неполных измерений. Он работает рекурсивно, постоянно обновляя оценку состояния по мере появления новых измерений.
Краткое содержание
Стохастическое понимание того, как изменяется топология при добавлении белого шума в сигналы узлов. Узлы и графики измеряются путем добавления шума n_t и v_t соответственно. Он эффективен с точки зрения вычислений, поскольку не сохраняет все эти изменения, а извлекает приблизительное значение ковариаты (априорное — апостериорное) и затем использует это значение.
Понимание
Одним из ключевых моментов временного обучения является выявление и прогнозирование шума, который появляется в реальном времени. Ресурсы часто обременительны из-за большого объема вычислений для повторного изучения и прогнозирования всей предыдущей истории. В этом случае кажется хорошим позаимствовать идею этой статьи, когда вы пытаетесь применить ее с чувством схватывания грубого контекста, а не с точным предсказанием и ощущением первичной фильтрации.
DiffWire: индуктивное преобразование графа с помощью границы Ловаса
[https://arxiv.org/pdf/2206.07369.pdf]
Введение
Для решения трех хронических проблем: недостаточного охвата, чрезмерного сглаживания и чрезмерного сжатия в этой статье предлагается перемонтировать граф. Я думаю, что статья может быть неудобной, потому что появилась несколько незнакомая концепция перемонтажа графа. Однако это похоже на представление метрик модульности, с которым мы часто сталкиваемся при обнаружении сообщества, с которым мы часто сталкивались в науке о сетях.
Проще говоря, это технология, которая оптимизирует ее полезность с точки зрения объема информации, которую вы получаете при подключении других узлов, за исключением существующих соединений узлов в графе. Чтобы быть более конкретным, идея чрезмерного сжатия задач, сводящая к минимуму структурную деформацию графа и перенаправляющая графы, является ядром этой статьи.
Предварительный
Я думаю, что было бы трудно представить его отдельно, потому что есть так много предварительных знаний, связанных с чтением этой статьи. Напротив, можно увидеть, что эта статья содержит много важных концепций в науке о сетях. Тем из вас, кто интересуется, как мы решили проблему GNN с точки зрения науки о сетях, я рекомендую посмотреть ее.
Краткое содержание
Два слоя являются ключевыми для этой идеи.
CT-LAYER изучает время в пути, чтобы свести к минимуму изменения в распределении структуры графа и определить, может ли информация передаваться равномерно. Комбинируя перспективу эффективного сопротивления, в основном используемую в схемотехнике (конструкция полупроводников), укажите, какой узел и узел подключены к границе Ловаса, и измерьте скорость изменения энергии с помощью энергии Дирихле. так что есть 2 границы между определенным статусом (разрежением) мин и макс формата. Если вы повторите этот процесс, оптимальная граница будет извлечена, а полученные в ней результаты создадут новый график, оптимизированный для структурного распределения, но при этом обмен информацией будет происходить хорошо.
GAP-LAYER оптимизирует спектральный разрыв, распределение сети. Критерии спектральной щели используют вектор Фидлера. Другими словами, в качестве вектора филдера используется функция стоимости. следовательно, вектор Филдера обычно считается вторым наименьшим собственным значением матрицы Лапласа графа. Это собственное значение, которое сохраняет максимум информации в матрице, представляющей структуру графа. Этот слой GAP-уровень использует соответствующую обрезку (Ratio-cut) для оптимизации упомянутой выше функции стоимости.
Он напрямую вмешивается в распределение структуры путем прямого разрезания, в отличие от выборки в предыдущем слое CT. Кроме того, с помощью CTlayer, который измеряет информационную структуру между узлами, время фиксации, и Rcut, который применяет собственную информационную структуру графа, он перестраивается с учетом обоих макро-микроскопических аспектов.
Понимание
Я думаю, что эта концепция будет часто использоваться в технических интервью. Если у вас есть JD, связанный с GNN в вашей компании, у вас есть некоторые основные концепции, которые вы, возможно, захотите спросить, когда приходит соискатель. Я думаю, что это документ, который я рекомендую снова, потому что он содержит важные концепции, которые являются основой для решения многих задач в этой области.
В то время как статья DiffWire выше была посвящена теоретическим элементам, публикация ниже посвящена практическим элементам, которые инженеры машинного обучения хотели бы видеть. Результаты похожи, но цель другая, поэтому я рекомендую вам выбирать в соответствии с целью.
