展开

关键词

斯坦福教授ICLR演讲:图网络最新进展GraphRNN和GCPN(附PPT下载)

在这次演讲中,Jure 阐述了图生成模型的方法和应用,并详细介绍了他的最新成果,GraphRNN 和 Graph Convolutional Policy Network。 图生成任务 GraphRNN:RNN 的两个层次 图卷积策略网络:将图表示和强化学习结合起来 为什么图网络很重要? ? ? 为什么图网络很重要? GraphRNN:RNN 的两个层次 ? ? ? ? ? ? ? GraphRNN:RNN 的两个层次 目标:将模型图生成作为序列生成 需要对两个流程建模: 为新节点生成状态 (节 Node-level RNN) 根据新节点的状态生成新节点的边 (Edge-level

1.1K30

斯坦福教授ICLR演讲:图网络最新进展GraphRNN和GCPN(附PPT下载)

在这次演讲中,Jure 阐述了图生成模型的方法和应用,并详细介绍了他的最新成果,GraphRNN 和 Graph Convolutional Policy Network。 图生成任务 GraphRNN:RNN 的两个层次 图卷积策略网络:将图表示和强化学习结合起来 为什么图网络很重要? ? ? 为什么图网络很重要? GraphRNN:RNN 的两个层次 ? ? ? ? ? ? ? GraphRNN:RNN 的两个层次 目标:将模型图生成作为序列生成 需要对两个流程建模: 为新节点生成状态 (节 Node-level RNN) 根据新节点的状态生成新节点的边 (Edge-level

53520
  • 广告
    关闭

    腾讯云服务器买赠活动

    腾讯云服务器买赠活动,低至72元1年,买就送,最长续3个月,买2核送4核、买4核送8核

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    CS224w图机器学习(八):Deep Generative Models for Graphs

    3 GraphRNN: Generating Realistic Graphs 上一部分主要讲图生成的思想,这部分则开始介绍图生成算法以及如何通过算法生成真实的网络。 背景已经讲了很多,现在我们开始学习图的深度生成模型GraphRNN,RNN生成图的整体流程可参考下图。 image.png 图5 再深入了解GraphRNN之前,我们先看下循环神经网络(Recurrent Neural Networks, RNN),如下图所示,RNN通常包括: 时刻的状态 如下图所示 和 ,GraphRNN由Node-level RNN和Edge-level RNN两部分组成。 image.png 图8a,GraphRNN生成图的逻辑 图8b 紧接着,我们看下GraphRNN是怎么训练的? 首先关注损失函数。

    16120

    NeurIPS21 | GraphGT: 图生成和图变换的机器学习数据集

    在图生成任务中,作者评估了GraphGT中的15个数据集以及GraphRNN、GraphVAE、GraphGMG等三个常用的生成模型,并且采用节点度分布、聚类系数分布以及轨道计数分布等三项衡量标准来评估生成表现 由于GraphRNN采用了依次生成的方式生成图,因此可以处理大型的数据。但是CollabNet也是大型的数据集,甚至不能够被GraphRNN处理。 在下图中我们可以看到,GraphRNN在几乎所有数据集上的表现超越了GraphVAE和GraphGMG,尤其是在包含小图的数据集上,例如Profold、N-body、Skeleton。 但是GraphRNN在大型图数据例如交通网络上表现相对较差。GraphVAE在CLEVR和N-body-charged数据集上表现较好。这两个都是小型数据集并且生成方式更加随机。

    17230

    图神经网络在生化医疗方面的相关应用

    自回归模型 GraphRNN 是一个早期的经典图生成模型,它把图的生成过程看作一个序列生成过程。 虽然图结构中节点的位置是可互换的,但是生成图总要有个先后顺序,所以GraphRNN 中每个图的节点被预先设定了一种排序,按照这种排序,我们可以一个节点一个节点地生成这个图。 (GraphRNN:图生成的自回归模型) 具体来讲,我们先把图G 用宽度优先搜索表示成一个序列的形式: 其中, 为一个某种节点的排序, 表示第 个节点与之前所有节点的连接向量。 GraphRNN 是一个比较通用的图生成模型,它没有考虑分子的性质,所以在分子的生成问题上,可以用强化学习的方法加上对生成分子的化学性质的预测,作为奖励函数进行反馈,从而使生成的分子具有我们想要的化学性质 Graphrnn: Generating realistic graphs with deep auto-regressive models[C]//International Conference on

    36220

    学界 | 顶会见闻系列:ICML 2018(上),表示学习、网络及关系学习

    GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models(GraphRNN:通过深度自回归模型生成与真实情况相近的图

    24150

    【GNN】图神经网络综述

    其它架构的图生成网络主要有 GraphRNN:通过两个层次的循环神经网络的深度图生成模型。 为了将一个图线性化为一系列节点来训练图层次的RNN,GraphRNN采用了广度优先搜索(BFS)策略。 为了建立训练边层次的RNN的二元序列模型,GraphRNN假定序列服从多元伯努利分布或条件伯努利分布。

    88641

    ICML | 有了RationaleRL,多目标分子设计不是难题!

    这里作者为了提升生成速度,沿用GraphRNN的思想,采用BFS(广度优先搜索)进行节点的生成,通过维护队列来实现。

    50950

    图与图学习(下)

    其它架构的图生成网络主要有 GraphRNN:通过两个层次的循环神经网络的深度图生成模型。 为了将一个图线性化为一系列节点来训练图层次的RNN,GraphRNN采用了广度优先搜索(BFS)策略。 为了建立训练边层次的RNN的二元序列模型,GraphRNN假定序列服从多元伯努利分布或条件伯努利分布。

    24230

    AI前沿学生论坛 | 朱时超:图神经网络模型及应用进展【附视频+PPT下载】

    研究方向:将感知数据更为合适地转化为结构化表示;深度图生成模型(Graph-based autoencoders, GraphRNN, MolGAN model[13]);图结构的自适应调整[1];图网络的可解释性

    79720

    Github项目推荐 | 图神经网络(GNN)相关资源大列表

    ICML 2018. paper Graphrnn: A deep generative model for graphs.

    2K30

    想要了解图或图神经网络?没有比看论文更好的方式了

    JaJa Paper:https://arxiv.org/pdf/1805.07683v4.pdf Python Reference:https://github.com/yuj-umd/graphRNN

    54541

    从图嵌入算法到图神经网络

    GraphRNN(2018) 则遵循第二类思路,采用双层循环神经网络设计,第一层基于图的级别处理隐藏状态,为节点序列添加新的节点;第二层则基于边的级别生成布尔值列表,判断新生成的节点与原序列中的节点是否存在邻接关系

    80531

    图神经网络必读论文-Must-read papers on GNN

    GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models.

    55920

    图算法探索系列(一):图嵌入模型的原理和应用篇【万字长文】

    Jure在图表示领域做出了许多贡献,包括PinSage,GraphRNN和19年ICLR的“How Powerful Are Graph Neural Networks?”等经典工作。

    1.1K61

    扫码关注腾讯云开发者

    领取腾讯云代金券