图神经网络论文阅读(十九) Position-aware Graph Neural Networks，ICML2019
本文的三位作者来自斯坦福大学。 在正式阅读本文之前，我们考虑这样一个事实：以GCN为代表的领域聚合方式在每一轮的前向传播中，只能获取到N-hop邻域内节点的特征，并且，其最为基本的想法是基于网络同质性的，也就是相邻节点具有相似性。假定，对于异质网络，中心节点A的type为1，邻域节点BCD的type为2，那么在一次聚合之后，A就会变成2。并且，过深的网络会造成过平滑，这都是GCN无法解决的。 本文
相关文章
- 1. 图神经网络论文阅读(二十) Towards Deeper Graph Neural Networks
- 2. 图神经网络论文阅读(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019
- 3. 图神经网络论文阅读(六) GRAPH ATTENTION NETWORKS，ICLR2018
- 4. 图神经网络（Graph neural networks）综述
- 5. 图神经网络（Graph Neural Networks）概述
- 6. Graph Neural Networks(图神经网络)
- 7. 图神经网络论文阅读(十四) Going Deep: Graph Convolutional Ladder-Shape Networks，AAAI2020
- 8. 论文阅读：ICLR 2020 图神经网络论文
- 9. 阅读论文 Non-local Neural Networks（非局部神经网络）
- 10. 图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018
- 更多相关文章...
- • RSS 阅读器 - RSS 教程
- • C# 文本文件的读写 - C#教程
- • JDK13 GA发布：5大特性解读
- • RxJava操作符（九）Connectable Observable Operators
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. 图神经网络论文阅读(二十) Towards Deeper Graph Neural Networks
- 2. 图神经网络论文阅读(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019
- 3. 图神经网络论文阅读(六) GRAPH ATTENTION NETWORKS，ICLR2018
- 4. 图神经网络（Graph neural networks）综述
- 5. 图神经网络（Graph Neural Networks）概述
- 6. Graph Neural Networks(图神经网络)
- 7. 图神经网络论文阅读(十四) Going Deep: Graph Convolutional Ladder-Shape Networks，AAAI2020
- 8. 论文阅读：ICLR 2020 图神经网络论文
- 9. 阅读论文 Non-local Neural Networks（非局部神经网络）
- 10. 图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018