graphs专题

《BLINKS: Ranked Keyword Searches on Graphs》——论文笔记

ABSTRACT 目前关键词查询的技术缺陷：poor worst-case performance, not taking full advantage of indexes, and high memory requirements. 本文方法：BLINKS, a bi-level indexing and query processing scheme for top-k keyword

GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】

《原始论文：Spectral Networks and Locally Connected Networks on Graphs》空域卷积非常直观地借鉴了图像里的卷积操作，但缺乏一定的理论基础。而频域卷积则不同，相比于空域卷积而言，它主要利用的是**图傅里叶变换(Graph Fourier Transform)**实现卷积。简单来讲，它利用图的**拉普拉斯矩阵(Laplacian ma

Locality-aware subgraphs for inductive link prediction in knowledge graphs

Locality-aware subgraphs for inductive link prediction in knowledge graphs a b s t r a c t 最近的知识图（KG）归纳推理方法将链接预测问题转化为图分类任务。他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图，使用图神经网络 (GNN) 对子图进行编码，然后学习将子图结构模式映射到链接存在的函

斯坦福Machine Learning with Graphs 学习笔记(第二讲）

作者：于媛，十三鸣本文长度为3300字，建议阅读10+分钟本文为大家介绍常用的网络属性和经典的网络模型。 [ 导读 ]在研究网络的时候，我们往往需要从结构层面对网络进行分析，网络属性可视为对网络结构的静态刻画，而网络模型则能帮助我们从动态的网络生成的过程了解网络结构。这节我们主要介绍一些常用的网络属性和一些经典的网络模型。目录一、网络属性(Network Properties) 二、Er

Charts and Graphs for Microsoft(R) Office Excel 2007

Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks

这是一篇将GNN运用在预测知识图谱(Knowledge Graph)节点重要性的文章，被KDD2019接收。文中提出了GENI模型，在GNN聚合信息的过程中只聚合一个标量（score）而不是聚合节点的embedding。 Introduction 知识图谱可以看做是一个有向多关系图，并且节点之间可能存在不止一条边。 Given a KG, estimating the importanc

原创 | 斯坦福Machine Learning with Graphs 学习笔记(第一讲）

作者：林夕本文长度为2900字，建议阅读9分钟本文为大家介绍图网络的基本概念、网络的应用以及图的结构。标签：机器学习目录一、Why Networks 二、网络的应用 2.1 应用领域三、图的结构 3.1 网络表示的选择 3.2 点的度（Degree） 3.3 图的表示方式邻接矩阵（Adjacency Matrix）

Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasonin

摘要大型语言模型(llm)在复杂任务中表现出令人印象深刻的推理能力。然而，他们在推理过程中缺乏最新的知识和经验幻觉，这可能导致不正确的推理过程，降低他们的表现和可信度。知识图谱(Knowledge graphs, KGs)以结构化的形式捕获了大量的事实，为推理提供了可靠的知识来源。然而，现有的基于kg的LLM推理方法只将kg作为事实知识库，忽略了其结构信息对推理的重要性。在本文中，我们提出了一

Learning Actor Relation Graphs for Group Activity Recognition 论文阅读

目录一.了解ARG二.为什么需要ARG1.多人场景识别的问题2.先前的方法3.本文的方法4.本文的三大贡献三.ARG详细介绍1.群体活动识别框架2.构建ARG2.1图的定义2.2外观联系2.3位置联系2.4多重图（Multiple graphs）2.5时间建模（Temporal modeling） 3.图的推理与训练3.1推理3.2训练四.消融实验1.外观联系2.位置联系3.多重图4

【论文解读】Learning on Graphs with Out-of-Distribution Nodes——KDD2022

论文地址：Learning on Graphs with Out-of-Distribution Nodes | Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining 代码：GitHub - SongYYYY/KDD22-OODGAT: This is the implementa

因子图、边缘化与消元算法的抽丝剥茧 —— Notes for “Factor Graphs for Robot Perception“

Title: 因子图、边缘化与消元算法的抽丝剥茧 —— Notes for “Factor Graphs for Robot Perception” 文章目录 I. 前言II. 因子图的基本概念1. 因子图的定义2. SLAM 中的因子图A. 因子图的图示B. 因子图的因式C. 因子图的二分图形式 III. 边缘化与消元运算的基本原理1. 边缘化的定义2. SLAM 中的边缘化3.

50 javascript libraries for charts and graphs

How are you visualizing data in JavaScript? What is your favorite library for creating charts and graphs with JavaScript? I have been a long time fan of jqPlot for its open source approach, simplicit

论文学习Discovering Event Evolution Graphs From News Corpora

摘要鉴于互联网技术的进步，我们现在可以很容易地从CNN.com等新闻网站上获取任何正在发生的事件的数百或数千条新闻报道，但信息量太大，我们无法捕捉到蓝图。信息检索技术，如主题检测和跟踪技术，能够将新闻故事组织成事件，在一个主题中以扁平的层次结构进行组织。然而，他们无法呈现事件之间复杂的进化关系。我们不仅有兴趣了解重大事件是什么，而且还想了解它们是如何在主题中发展的。它有利于鉴别开创性事件，中间

最早提出“基于时空的图神经网络”论文：Learning Convolutional Neural Networks for Graphs 阅读笔记

卷积过程：将卷积过程迁移到图卷积中需要考虑两个问题： (i) Determining the node sequences for which neighborhood graphs are created;决定围绕哪些结点创建邻接图（比如上图1中的结点1-4） (ii) computing a normalization of neighborhood graphs, that is, a

【图对抗】Local-Global Defense against Unsupervised Adversarial Attacks on Graphs

原文标题： Local-Global Defense against Unsupervised Adversarial Attacks on Graphs 原文代码： https://github.com/jindi-tju/ULGD/blob/main 发布年度： 2023 发布期刊： AAAI 摘要 Unsupervised pre-training algorithms for gr

「翻译」Flexible and Feasible Support Measures for Mining Frequent Patterns in Large Labeled Graphs

在大标签图中挖掘频繁模式的灵活可行的方法 Jinghan Meng 南佛罗里达大学计算机科学与工程系 jmeng@mail.usf.edu Yi-Cheng Tu ∗ 南佛罗里达大学计算机科学与工程系 tuy@mail.usf.edu 摘要近年来，图数据库的热度迅速增长。本文着重于将单图作为一种有效模型来表示信息和其相关图的挖掘的技术。在

Matplotlib: Stacked Bar Graphs

我在用matplotlib's stacked bar graph example 做bar统计图的时候，发现画出的图不能够准确匹配该项的值，几番查找原因，最终在Stack Overflow上找到了答案。以下给出一个 Stacked Bar Graphs demo。 import numpy as np import matplotlib.pyplot as plt N = 3 #(

ECCV 2020 Representation Learning on Visual-Symbolic Graphs for Video Understanding

动机自然视频中的事件通常产生于演员和目标之间的时空交互，并且涉及多个共同发生的活动和目标类。因此，需要开发能够对时空视觉和语义上下文进行有效建模的算法。捕捉这种上下文的一种方法是使用基于图的建模，它在计算机视觉中有着丰富的历史。传统的基于图的方法，例如使用概率图模型，主要侧重于在符号而不是信号/视觉表示的层次上对上下文进行建模。然而，最近的进步使得图结构化数据的表示学习能够使用称为图

《Quantum state transfer on unsymmetrical graphs via discrete-time quantum walk》论文解读

本文仅仅代表个人的读后感，如有不对，欢迎大家指出呀~ 论文简要概述这篇论文是针对butterfly-network上的量子态转移的研究。它的核心思想就是将butterfly network转化成二部图（因为处理二部图有一个比较完整的流程，并且保真度挺高） 1.introduction 第一部分主要是讲quantum walk、perfect state transfer等一些背景的介

【论文阅读】O’Reach: Even Faster Reachability in Large Graphs

Hanauer K, Schulz C, Trummer J. O’reach: Even faster reachability in large graphs[J]. ACM Journal of Experimental Algorithmics, 2022, 27: 1-27. Abstract 计算机科学中最基本的问题之一是可达性问题：给定一个有向图和两个顶点s和t，s可以通过

【论文阅读】Reachability Queries on Large Dynamic Graphs: A Total Order Approach

Andy Diwen Zhu, Wenqing Lin, Sibo Wang, and Xiaokui Xiao. 2014. Reachability queries on large dynamic graphs: a total order approach. In Proceedings of the 2014 ACM SIGMOD International Conference on

论文笔记--ERNIE-ViL: Knowledge Enhanced Vision-Language Representations through Scene Graphs

论文笔记--ERNIE-ViL: Knowledge Enhanced Vision-Language Representations through Scene Graphs 1. 文章简介2. 文章概括3 文章重点技术3.1 模型架构3.2 Scene Graph Prediction(SGP) 4. 文章亮点5. 原文传送门6. References 1. 文章简介标题：

Neural Task Graphs: Generalizing to Unseen Tasks from a Single Video Demonstration

科研相关读论文目的：目标: 完成上层任务规划输入: 总任务输出: n * (操作 + 参数) 论文题目：Neural Task Graphs: Generalizing to Unseen Tasks from a Single Video Demonstration论文地址：论文地址论文视频：视频从 23:56 开始讲这篇论文会议官网：CVPR 2019论文目的：在指定的域中，只有一个完成

EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs

文章目录 1 前言2 问题定义3 EvolveGCN思路4 方法的优势与局限性4.1 优势4.2 局限性论文地址：https://arxiv.org/pdf/1902.10191来源：AAAI, 2020源码地址：EvolveGCN关键词：Dynamic Graphs, GCN 1 前言该论文解决的是不断进化（evolve）的graph的表征问题。以往的方法主要将结点的

[论文笔记] Tesseract: Distributed, General Graph Pattern Mining on Evolving Graphs

Tesseract: Distributed, General Graph Pattern Mining on Evolving Graphs Tesseract: 基于演化图的分布式通用图模式挖掘 [Paper] [Slides] EuroSys’21 摘要第一个在演化图上执行通用图挖掘算法的分布式系统提出一种新的变化检测方法，有效地确定精确的修改一个分类的、多版本的图存储使用增量聚合(

Inductive Representation Learning on Large Graphs 论文/GraphSAGE学习笔记

1 动机 1.1 过去的方法现存的方法大多是transductive的，也就是说，在训练图的时候需要将整个图都作为输入，为图上全部节点生成嵌入，每个节点在训练的过程中都是可知的。举个例子，上一次我学习了GCN模型，它的前向传播表达式为： H ( l + 1 ) = σ ( D ~ − 1 2 A ~ D ~ − 1 2 H ( l ) W ( l ) ) H^{(l+1)}=σ(\wid