PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK
Motivation 传统GCN在节点分类中达到了不错的效果，但只能在将层数限制在2-3层，加深层数会导致两个问题： （1）、出现过平滑现象：即最后所有节点趋向同一个值。 （2）、随着层数的加深，参数量也呈指数级增长。 但是试验表明，一般要将层数达到4-5层才能使才能覆盖所有的节点。 为了解决这个问题，引进了PageRank方法。 问题一 由于PageRand方法可能陷入“陷阱问题”和“终止问题”
相关文章
- 1. 《Predict then Propagate: Graph Neural Networks meet Personalized PageRank》论文阅读笔记
- 2. Random Walk and Personalized Pagerank
- 3. Applications of Graph Neural Networks
- 4. 【KDD 2019】Heterogeneous Graph Neural Network
- 5. Graph Neural Network Review
- 6. 笔记《Graph Neural Tangent Kernel: Fusing Graph Neural Networks with Graph Kernels》-NeurIPS 2019
- 7. 《The graph neural network model》笔记
- 8. Paper Notes: A Comprehensive Survey on Graph Neural Networks
- 9. GMNN: Graph Markov Neural Networks
- 10. CS224W-08-Graph Neural Networks
- 更多相关文章...
- • Git 标签 - Git 教程
- • Lua if...else 语句 - Lua 教程
- • 使用阿里云OSS+CDN部署前端页面与加速静态资源
- • Java 8 Stream 教程
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。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 《Predict then Propagate: Graph Neural Networks meet Personalized PageRank》论文阅读笔记
- 2. Random Walk and Personalized Pagerank
- 3. Applications of Graph Neural Networks
- 4. 【KDD 2019】Heterogeneous Graph Neural Network
- 5. Graph Neural Network Review
- 6. 笔记《Graph Neural Tangent Kernel: Fusing Graph Neural Networks with Graph Kernels》-NeurIPS 2019
- 7. 《The graph neural network model》笔记
- 8. Paper Notes: A Comprehensive Survey on Graph Neural Networks
- 9. GMNN: Graph Markov Neural Networks
- 10. CS224W-08-Graph Neural Networks