Revisiting Graph Neural Networks: All We Have is Low-Pass Filters--arixv-2019--论文笔记
论文题目–《对于图神经网络的重新思考：所有的皆是低通滤波器》 摘要： 图神经网络已成为解决图结构数据机器学习问题的重要技术之一。最近关于顶点分类的工作提出了深度和分布式学习模型，以实现高性能和可扩展性。然而，我们发现基准数据集的特征向量已经为分类任务提供了相当多的信息，而图结构仅仅提供了一种对数据进行去噪的方法。本文提出了一种基于图信号处理的分析图神经网络的理论框架。结果表明，图神经网络仅对特征向
相关文章
- 1. 【论文笔记】Graph Transformer Networks
- 2. GRAPH ATTENTION NETWORKS论文笔记
- 3. Deep Neural Networks for Learning Graph Representations论文笔记
- 4. 【论文笔记】Attention is all you need
- 5. 【Binarized Neural Networks】论文笔记
- 6. [论文笔记] Non-local Neural Networks
- 7. Applications of Graph Neural Networks
- 8. 论文阅读笔记（四十七）：Attention Is All You Need
- 9. 论文笔记：Neural Collaborative Filtering
- 10. 论文笔记之：Semi-supervised Classification with Graph Convolutional Networks
- 更多相关文章...
- • XML Schema all 元素 - XML Schema 教程
- • CAP理论是什么？ - NoSQL教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • Scala 中文乱码解决
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 【论文笔记】Graph Transformer Networks
- 2. GRAPH ATTENTION NETWORKS论文笔记
- 3. Deep Neural Networks for Learning Graph Representations论文笔记
- 4. 【论文笔记】Attention is all you need
- 5. 【Binarized Neural Networks】论文笔记
- 6. [论文笔记] Non-local Neural Networks
- 7. Applications of Graph Neural Networks
- 8. 论文阅读笔记（四十七）：Attention Is All You Need
- 9. 论文笔记：Neural Collaborative Filtering
- 10. 论文笔记之：Semi-supervised Classification with Graph Convolutional Networks