cs224w专题
图节点嵌入：编码器-解码器（cs224w笔记-lecture3.1）
文章目录 图表示学习（graph representation learning）节点嵌入（embedding nodes）节点嵌入步骤节点相似度 节点嵌入是一种 无监督或自监督的学习方式，且嵌入具有 任务独立的特点，即不针对特定任务，而是可以用于任何任务。 图表示学习（graph representation learning） 图表示学习的意义在于消除每次需要手工特征
cs224w 图神经网络 学习笔记（二）Properties of Networks and Random Graph Models
课程链接：CS224W: Machine Learning with Graphs 课程视频：【课程】斯坦福 CS224W: 图机器学习 (2019 秋 | 英字) 目录 1. How to measure a Network?——网络的属性1.1 度分布（Degree distribution） P ( k ) P(k) P(k)1.2. 路径长度 h h h1.3. 聚类系数
cs224w 图神经网络 学习笔记（七）Message Passing and Node Classification 信息传播与节点分类
课程链接：CS224W: Machine Learning with Graphs 课程视频：【课程】斯坦福 CS224W: 图机器学习 (2019 秋 | 英字) 目录 1. 前言2. 图节点分类的思想——Collective classification2.1 概述2.2 Probabilistic Relational Classifier2.3 Iterative class
【斯坦福大学公开课CS224W——图机器学习】七、图神经网络2：GNN设计空间
【斯坦福大学公开课CS224W——图机器学习】七、图神经网络2：GNN设计空间 文章目录 【斯坦福大学公开课CS224W——图机器学习】七、图神经网络2：GNN设计空间1. A General Perspective on Graph Neural Networks1.1 通用GNN框架 2. A Single Layerof GNN3. 经典GNN层3.1 图卷积网络GCN3.2 Gra
CS224W-05: 消息传递和节点分类
消息传递和节点分类 本节需要解决的问题是：假如一个图中某些节点的标签已经知道，如何根据节点的邻接关系和节点特征来确定其他节点的标签。在第三讲中，我们已经介绍了利用节点嵌入和传统机器学习方法给节点分类，本节讲介绍如何利用消息 (message passing) 来预测节点分类。本节内容包括： 网络中节点的同质性 (Homophily) 和影响性 (Influence)节点集体分类 (Collec
cs224w-图机器学习-2021冬季课程学习笔记-09 Theory of Graph Neural Networks
Theory of Graph Neural Networks 一、How Expressive are Graph Neural Networks?1.local neighborhood structures 二、Designing the Most Powerful Graph Neural Network1.GCN的聚合操作2.GraphSAGE3.本节小结4.设计一个满足单射性质的