Liu Xiyang

发表于 更新于 分类于 ， 本文字数： 5.6k 阅读时长 ≈ 5 分钟

Introduction to Graph Neural Networks

Note of book 《Introduction to Graph Neural Networks》

阅读全文 »

发表于 更新于 分类于 ， 本文字数： 5.5k 阅读时长 ≈ 5 分钟

SEMI-SUPERVISED CLASSIFICATION WITH G RAPH CONVOLUTIONAL NETWORKS

ICLR 2017

贡献：提出了一种模拟卷积神经网络的变种，直接在图结构上进行类似的卷积操作的神经网络。通过对谱卷积神经网络（Spectral GNN）进行一阶估计简化（first-order approximation），提出了一阶图卷积神经网络——GCN。

阅读全文 »

发表于 更新于 分类于 ， 本文字数： 989 阅读时长 ≈ 1 分钟

Neural Message Passing for Quantum Chemistry

ICML 2017

Google Brain, Google DeepMind

本文就提出了一种图上进行监督学习的泛化框架Message Passing Neural Networks (MPNNs)

阅读全文 »

发表于 更新于 分类于 ， 本文字数： 2.2k 阅读时长 ≈ 2 分钟

Inductive Representation Learning on Large Graphs

NIPS 2017 GraphSAGE

主要贡献：

  • 提出了一种inductive学习图结构的方法，使用节点的特征（文本、度等）作为输入，进行无监督学习
  • 构造了三个节点分类（node classification）的数据集
阅读全文 »

发表于 更新于 分类于 ， 本文字数： 1.3k 阅读时长 ≈ 1 分钟

Heterogeneous Graph Attention Network

2019-4-13

1 INTRODUCTION

HAN设计了两个层次的attention机制，

  • Semantic-level attention：在不同的meta-path中选择weight
  • Node-level attention：对于一个节点，它的邻居的weight
阅读全文 »

发表于 更新于 分类于 ， 本文字数： 4.4k 阅读时长 ≈ 4 分钟

AM-GCN: Adaptive Multi-channel Graph Convolutional Networks

2020-8 KDD 2020

AM-GCN主要针对的是节点分类任务，主要贡献包括两点：

  1. 探究了之前的GCN方法是否能够较好的同时捕获topological structures和node features
  2. 设计了 a novel adaptive multi-channel GCN framework, 能够适应的同时捕获两种不同的信息
阅读全文 »

发表于 更新于 分类于 ， 本文字数： 5k 阅读时长 ≈ 5 分钟

Heterogeneous Graph Transformer

本文的贡献主要有三点：

  1. 针对异质图设计了Heterogeneous Graph Transformer，HGT，用于处理Web-scale的异质网络。
  2. 为了能够训练大规模图，提出了HGSampling采样方法，在Open Academic Graph (OAG)上进行了验证。
  3. 针对动态异质图，引入relative temporal encoding，能够处理任意的动态信息
阅读全文 »