图神经网络 |
图神经网络
2.神经网络基础
机器学习基本概念
机器学习分类
机器学习流程概述
常见的损失函数
梯度下降算法
神经网络
神经元
多层感知器
激活函数
S型激活函数
ReLU及其变种
训练神经网络
神经网络的运行过程
反向传播
优化困境
3.卷积神经网络
卷积与池化
信号处理中的卷积
深度学习中的卷积操作
池化
卷积神经网络
结构
特点
特殊的卷积形式
1*1卷积
转置卷积
空洞卷积
分组卷积
深度可分类卷积
卷积网络在图像分类中的应用
VGG
Inception系列
ResNet
4.表示学习
表示学习
表示学习的意义
离散表示与分布式表示
端到端的学习是一种强大的表示学习算法
基于重构损失的方法——自编码器
自编码器
正则自编码器
变分自编码器
基于对比损失的方法——Word2vec
5.图信号处理与卷积神经网络
矩阵乘法的三种方式
图信号与图的拉普拉斯矩阵
图傅里叶变换
图滤波器
空域角度
频域角度
图卷积神经网络
GCN实战
6.GCN的性质
GCN与CNN的联系
GCN能够对图数据进行端对端学习
GCN是一个低通滤波器
GCN的问题——过平滑
7.GNN的变体与框架
GraphSAGE
采样邻居
聚合邻居
GraphSAGE算法过程
GAT
注意力机制
图注意力层
多头图注意力层
R-GCN
知识图谱
R-GCN
GNN的通用框架
MPNN
NLNN
GN
GraphSAGE实战
8.图分类
基于全局池化的图分类
基于层次池化的图分类
基于图坍缩的池化机制
基于TopK的池化机制
基于边收缩的池化机制
图分类实战
9.基于GNN的图表示学习
10.GNN的应用简介
1.图的概述
图的基本定义
图的基本类型
邻居和度
子图与路径
图的存储与遍历
邻接矩阵与关联矩阵
图的遍历
图数据的应用场景
图数据深度学习