【GNN】Diff Pool：网络图的层次化表达
今天学习的是斯坦福大学的同学 2018 年的工作《Hierarchical Graph Representation Learning with Differentiable Pooling》，目前共有 140 多次引用。 目前，GNN 在图分类任务中的处理方法本质上是平面的（Flat），无法学习图形的层次化表达。对于一个包含多个标签的图来说，传统的方法都是为图中每个节点生成一个 Embeddin
相关文章
- 1. 图卷积神经网络GCN---池化层代表作
- 2. SR-GNN, 图网络召回
- 3. GNN—图网络入门
- 4. 【PyTorch】图神经网络(GNN)
- 5. 层次化网络分层模型
- 6. 图神经网络(GNN)的简介
- 7. 【GNN】图神经网络（GNN）用于分析结构化数据的简介
- 8. 层次化网络设计（三层网络结构）
- 9. GNN图神经网络详述-01
- 10. 图神经网络GNN综述
- 更多相关文章...
- • TCP/IP网络访问层的构成 - TCP/IP教程
- • SQLite 表达式 - SQLite教程
- • 互联网组织的未来：剖析GitHub员工的任性之源
- • IntelliJ IDEA代码格式化设置
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. 图卷积神经网络GCN---池化层代表作
- 2. SR-GNN, 图网络召回
- 3. GNN—图网络入门
- 4. 【PyTorch】图神经网络(GNN)
- 5. 层次化网络分层模型
- 6. 图神经网络(GNN)的简介
- 7. 【GNN】图神经网络（GNN）用于分析结构化数据的简介
- 8. 层次化网络设计（三层网络结构）
- 9. GNN图神经网络详述-01
- 10. 图神经网络GNN综述