《Large-Scale Learnable Graph Convolutional Networks》论文理解
1.LGCL算法框架 使得卷积神经神经网络无法直接应用于图数据的原因主要有两个： （1）图数据没有固定数量的领域节点； （2）图数据的节点没有显式或者隐式的顺序； 在LGCL算法中，作者通过k-最大节点选择部分确定图数据的邻域节点以及领域节点的顺序;通过1-D卷积神经网络将节点的邻域信息进行卷积形式的信息聚合得到输出。下图为LGCL的算法流程图。 2.k-最大节点选择 k-最大节点选择的主要目的就
相关文章
- 1. 《Large-Scale Learnable Graph Convolutional Networks》
- 2. 论文解读：Graph Convolutional Networks for Text Classifification
- 3. Inverting Convolutional Networks with Convolutional Networks 论文理解
- 4. 《Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification》论文理解
- 5. 《GRAPH ATTENTION NETWORKS》论文理解
- 6. 图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018
- 7. 论文笔记：LCML 2019 Simplifying Graph Convolutional Networks
- 8. 论文浅尝 | GEOM-GCN: Geometric Graph Convolutional Networks
- 9. 《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》论文理解
- 10. 《Multi-Label Image Recognition with Graph Convolutional Networks》论文理解
- 更多相关文章...
- • CAP理论是什么？ - NoSQL教程
- • PHP 文件处理 - PHP教程
- • Scala 中文乱码解决
- • Docker 清理命令
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. 《Large-Scale Learnable Graph Convolutional Networks》
- 2. 论文解读：Graph Convolutional Networks for Text Classifification
- 3. Inverting Convolutional Networks with Convolutional Networks 论文理解
- 4. 《Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification》论文理解
- 5. 《GRAPH ATTENTION NETWORKS》论文理解
- 6. 图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018
- 7. 论文笔记：LCML 2019 Simplifying Graph Convolutional Networks
- 8. 论文浅尝 | GEOM-GCN: Geometric Graph Convolutional Networks
- 9. 《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》论文理解
- 10. 《Multi-Label Image Recognition with Graph Convolutional Networks》论文理解