- 图论的基本概念与pyG的环境配置
https://blog.csdn.net/weixin_44133327/article/details/117958901 - 图神经网络 消息传递图神经网络
https://blog.csdn.net/weixin_44133327/article/details/118060691
在这一任务中,主要了解MessagePassing基类的运行流程,掌握了propagate()、message()、aggregate()和update()函数的调用顺序与相关功能。 - 基于图神经网络的节点表征:
https://blog.csdn.net/weixin_44133327/article/details/118165117
- 图数据的简要分析
- MLP的节点分类操作
- 图神经网络简要一览
- 空间卷积代表的GAT节点分类实操
- 谱卷积代表的GCN节点分类实操
-
数据完全存于内存的数据集类
https://blog.csdn.net/weixin_44133327/article/details/118283386
基类InMemoryDataset详解,包括属性、方法及运行流程,其可以将数据集全部存储在内存 -
节点预测与边预测:
https://blog.csdn.net/weixin_44133327/article/details/118284643在这一任务中,主要学习如何构建一个Data类,其中通过PlanetoidPubMed数据类,了解构建数据集的流程(下载、生成对象、执行数据处理、过滤对象、保存文件);边预测任务主要思路是生成负样本,使得正负样本数量平衡,通过使用两层GCNConv神经网络进行边预测,了解边预测的流程。
-
超大图上的节点表征学习:
https://blog.csdn.net/weixin_44133327/article/details/118400929在这一任务中,主要学习在超大图上的一种节点表征方法Cluster-GCN,了解基本步骤(分簇、近似邻接矩阵、簇采样并更新参数)、时间/空间复杂度和节点表征利用率。
-
基于图神经网络的图表征学习方法:
https://blog.csdn.net/weixin_44133327/article/details/118502767在这一任务中,主要学习图同构网络(GIN)的基本思路(计算节点表征、图池化、线性变换),并了解WL Test的图同构测试方法基本步骤(迭代标签、散列标签、比较WL子树)、图相似性评估方法(WL Subtree Kernel方法:WL Test方法得多层标签、统计次数、向量表示、向量内积)。