Публикации по теме 'graph-neural-networks'
Граф сверточных сетей: введение в GNN
Пошаговое руководство по использованию PyTorch Geometric
Графовые нейронные сети (GNN) представляют собой одну из самых захватывающих и быстро развивающихся архитектур в области глубокого обучения. Как модели глубокого обучения, предназначенные для обработки данных, структурированных в виде графов, GNN обеспечивают замечательную универсальность и мощные возможности обучения.
Среди различных типов GNN наиболее распространенной и широко применяемой моделью стали Graph..
Изучение эффективных графовых нейронных сетей
В этом сообщении блога мы будем изучать и обсуждать тему графовых нейронных сетей (GNN), которые представляют собой особый тип нейронных сетей с глубоким обучением, и недавно опубликованные документы, в которых разработаны системы и методы, позволяющие эффективно обучать и развивать эти сети. .
Проблема Мотивация
Что такое графовые нейронные сети?
Глубокое обучение в последнее время очень быстро развивается для выполнения очень мощных задач, связанных со всеми видами данных, включая..
Предотвращение межобщинных атак на Reddit
Карл Шан и Роб Харрис
Введение
В 2018 году Кумар и др. др. опубликовал исследовательскую работу на The Web Conference, WWW 2018 под названием Взаимодействие сообщества и конфликты в Интернете .
В статье исследователи исследуют, как предсказать, может ли перекрестная ссылка из одного сообщества субреддита в другое привести к «мобилизации». Другими словами, атака.
По мере того, как все больше политического дискурса перемещается в онлайн-пространства, такие как Reddit,..
tf_geometric: эффективная и удобная графовая библиотека нейронной сети для TensorFlow 1.x и 2.x.
Домашняя страница и документация
Домашняя страница: https://github.com/CrawlScript/tf_geometric Документация: https://tf-geometric.readthedocs.io ( 中文版 ) Статья: Эффективное глубокое обучение графов в TensorFlow с помощью tf_geometric
GitHub — CrawlScript/tf_geometric: эффективная и удобная библиотека нейронной сети графа для… Эффективная и удобная библиотека нейронной сети графа для TensorFlow 1.x и 2.x. Вдохновлено rusty1s/pytorch_geometric…..
Реконструкция локомоций с помощью преобразователя гетерогенных графов
Ивен Донг, Сэмюэл Хантер, Джин Лю в рамках курсового проекта Stanford CS224W
Краткое содержание
Мониторинг здоровья походки важен для диагностики и лечения пациентов с нарушениями опорно-двигательного аппарата или нервно-мышечными заболеваниями [1] [2] [3] [4] [5]. Многие существующие исследования показали, что мониторинг здоровья походки имеет решающее значение для диагностики и реабилитации таких заболеваний, как деменция, мышечная дистрофия, инсульт и травмы суставов [6] [7] [8]..
Почему шумиха вокруг GNN?
СТАТЬЯ
Почему шумиха вокруг GNN?
Из книги Graph Neural Networks in Action Кейты Бродуотер
Получите скидку 35 % на Графические нейронные сети в действии , введя fccbroadwater в поле кода скидки при оформлении заказа на сайте manning.com .
В областях, где нет недостатка в рекламе новых технологий и методов, GNN без преувеличения являются скачком вперед как в области глубокого обучения, так и в области графовой аналитики.
Графические данные обладают характеристиками, которые..
Графические нейронные сети как PDE нейронной диффузии
Мысли и теория , переосмысление ГНС
Графические нейронные сети как PDE нейронной диффузии
Графические нейронные сети (GNN) тесно связаны с дифференциальными уравнениями, управляющими распространением информации на графах. Представление о GNN как о уравнениях в частных производных (PDE) приводит к новому широкому классу GNN, которые могут принципиальным образом решать некоторые важные проблемы текущих моделей Graph ML, такие как глубина, чрезмерное сглаживание, узкие места и..