UC伯克利-清华隐图神经网络

Posted 专知

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了UC伯克利-清华隐图神经网络相关的知识,希望对你有一定的参考价值。


图神经网络(GNNs)是广泛使用的深度学习模型,从图结构数据学习有意义的表示。由于底层循环结构的有限性质,当前的GNN方法可能难以捕获底层图中的长期依赖关系。为了克服这个困难,我们提出了一个图学习框架,称为隐式图神经网络(IGNN),其中的预测是基于一个涉及隐式定义的“状态”向量的不动点平衡方程的解。利用Perron-Frobenius理论推导了保证框架良好性的充分条件。利用隐式微分,我们推出了一个易于处理的投影梯度下降方法来训练框架。对一系列任务进行的实验表明,IGNNs始终能够捕获长期依赖关系,并优于最先进的GNN模型。


https://arxiv.org/abs/2009.06211

【UC伯克利-清华】隐图神经网络


专知便捷查看

  • 后台回复“IGNN” 可以获取《【UC伯克利-清华】隐图神经网络》专知下载链接索引

【UC伯克利-清华】隐图神经网络

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询!
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源

以上是关于UC伯克利-清华隐图神经网络的主要内容,如果未能解决你的问题,请参考以下文章

加州伯克利博士:基于隐模型的图神经网络设计 | NeurIPS 2020论文分享

熬夜还会变小气,UC伯克利研究者:睡眠不足严重打击社交热情

图聚类算法打开深度神经网络黑箱:解密权重结构

深度学习时代的图模型,清华发文综述图网络

zz清华NLP图神经网络GNN论文分门别类,16大应用200+篇论文最新推荐

集成图网络模型实现基准测试,清华推出图表示学习工具包