PAMI（IEEETransactionsonPatternAnalysisandMachineIntelligence）模式分析与机器智能-2021IF:17.730 FilippoMariaBianchiDanieleGrattarolaLorenzoLiviCesareAlippi Abstract ​流行的图神经网络基于多项式频谱滤波器在图上实现卷积操作。在本文中，我们提出了一种新型的图卷积层，其灵感来自于自回归移动平均（ARMA）滤波器，与多项式滤波器相比，它提供了更灵活的频率响应，对噪声更稳定，并能更好地捕捉全局图结构。我们提出了一个具有递归和分布式表述的ARMA滤波器的图神经网络...

ICLR2018 Abstract ​我们提出了图注意网络（GATs），这是一种新型的神经网络架构，在图结构的数据上进行操作，利用掩蔽的自注意层来解决先前基于图卷积或其近似的方法的缺点。通过堆叠层，其中的节点能够关注其邻域的特征，我们能够（隐含地）为邻域的不同节点指定不同的权重，而不需要任何昂贵的矩阵操作（如反转）或取决于预先知道的图形结构。通过这种方式，我们同时解决了基于频谱的图神经网络的几个关键挑战，并使我们的模型很容易适用于归纳和直推的问题。我们的GAT模型在四个既定的直推性和归纳性图的基准上取得了或与之相匹配的最先进的结果：Cora、Citeseer和Pubmed引文网络数据集，以及一...

Abstract ​知识图谱实现了各种各样的应用，包括问题回答和信息检索。尽管在创建和维护方面投入了巨大的努力，但即使是最大的知识库（如Yago、DBPedia或Wikidata）仍然不完整。我们介绍了关系图卷积网络（R-GCNs）并将其应用于两个标准的知识库补全任务：链接预测（恢复缺失的事实，即主题-预测-对象三要素）和实体分类（恢复缺失的实体属性）。RGCNs与最近一类在图上操作的神经网络有关，是专门为处理现实知识库的高度多关系数据而开发的。我们证明了R-GCNs作为一个独立的实体分类模型的有效性。我们进一步表明，用于链接预测的因子化模型，如DistMult，可以通过用编码器模型来充实它们...

ACMP:Allen-CahnMessagePassingwithAttractiveandRepulsiveForcesforGraphNeuralNetworks ICLR2023 Abstract ​神经信息传递是图结构数据的基本特征提取单元，考虑到网络传播中相邻节点的特征，从一层到下一层。我们用一个具有吸引力和排斥力的相互作用的粒子系统以及在相变建模中产生的Allen-Cahn力来模拟这种过程。该系统的动力学是一个反应-扩散过程，可以在不炸毁的情况下分离粒子。这启发了图神经网络的Allen-Cahn信息传递（ACMP），其中粒子系统解决方案的数值迭代构成了信息传递的传播过程。ACMP通...

DenoisingDiffusionProbabilisticModels NeurlPS2020 https://arxiv.org/pdf/2006.11239.pdf DALLE2 https://openai.com/dall-e-2/ Abstract ​我们提出了使用扩散概率模型的高质量图像合成结果，这是一类受非平衡热力学启发的潜在变量模型。我们的最佳结果是通过在加权变异约束上的训练获得的，该约束是根据扩散概率模型与朗文动力学的去噪分数匹配之间的一种新的联系而设计的，我们的模型自然地承认一种渐进的有损解压方案，可以解释为自回归解码的一般化。在无条件的CIFAR10数据集上，我们获得...

ICLR2017 ABSTRACT ​我们提出了一种在图结构数据上进行半监督学习的可扩展方法，该方法基于直接在图上操作的卷积神经网络的一个有效变体。我们通过谱图卷积的局部一阶近似来激励我们卷积结构的选择。我们的模型在图的边数上有线性扩展，并学习了编码局部图结构和节点特征的隐藏层表征。在引文网络和知识图谱数据集的一些实验中，我们证明了我们的方法在很大程度上优于相关方法。 1INTRODUCTION ​我们考虑对图（如引文网络）中的节点（如文件）进行分类的问题，其中标签只对一小部分节点可用。这个问题可以被看作是基于图的半监督学习，其中标签信息通过某种形式的明确的基于图的正则化对图进行平滑处理（Zh...

DyHGCN:ADynamicHeterogeneousGraphConvolutionalNetworktoLearnUsers’DynamicPreferencesforInformationDiffusionPrediction ECML-PKDD2020欧洲机器学习与数据挖掘顶级会议 Abstract ​信息扩散预测是了解信息传播过程的一项基本任务。它在错误信息传播预测和恶意账户检测等方面有广泛的应用。以前的工作要么集中在利用单个扩散序列的上下文，要么利用用户之间的社交网络进行信息扩散预测。然而，不同信息的扩散路径自然构成了一个动态扩散图。一方面，以前的研究不能同时利用社交网络和扩散图...

NIPS:Advancesinneuralinformationprocessingsystems2018 WilliamL.HamiltonRexYingJureLeskovec Abstract ​大型图中节点的低维嵌入已被证明在各种预测任务中非常有用，从内容推荐到识别蛋白质功能。然而，大多数现有的方法要求在训练嵌入时图中的所有节点都存在；这些以前的方法本质上是直推性的，不能自然地推广到未见过的节点。在这里，我们提出了GraphSAGE，这是一个通用的归纳框架，利用节点特征信息（如文本属性）来为以前未见过的数据有效地生成节点嵌入。我们不是为每个节点训练单独的嵌入，而是学习一个函数，通过从节...

pycharm可以在官网（https://www.jetbrains.com/pycharm/）直接下载，有两个版本，社区版免费，足够深度学习使用。专业版收费，但可以使用学生邮箱注册然后免费使用。 1.下载、安装anaconda 到以下镜像下载对应版本的anaconda：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ note：这个版本已经过测试，win系统可直接点击下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2021.11-Windows-x...