图形同构网络

图神经网络简介

AI 趋势报告

本文对图神经网络（GNN）进行了初步介绍，解释了神经网络如何利用图结构。内容涵盖图数据表示、GNN 组件以及实际应用，使复杂概念能够被广泛受众理解。

图卷积网络（GCN）是一种专门用于处理图结构数据的神经网络。它将卷积神经网络（CNN）的概念推广到图结构数据，从而在半监督学习和图嵌入等领域实现强大的应用。该模型为分析复杂网络数据提供了一种新颖的方法。

图注意力网络

AI GitHub 仓库

图注意力网络（GATs）是为图结构数据设计的新型神经网络架构。它们利用掩码自注意力层来解决先前图卷积方法的局限性，从而能够对社交网络和分子数据等不规则空间结构进行原则性操作。

简化图卷积网络

AI GitHub 仓库

此存储库提供了“简化图卷积网络”论文的官方实现。它提供了一个简化的图卷积网络 (GCN) 模型，该模型消除了非线性并折叠了权重矩阵，从而得到了一个线性模型，该模型在显著缩短的训练时间内实现了具有竞争力的性能。

Principal Neighbourhood Aggregation

AI GitHub 仓库

该存储库提供了图神经网络（GNN）的Principal Neighbourhood Aggregation (PNA) 的实现。它支持 PyTorch、DGL 和 PyTorch Geometric 框架，提供用于多任务和真实世界基准测试的脚本，以及灵活的 GNN 框架和比较模型。

GCNII

AI GitHub 仓库

该存储库提供了“简单深度图卷积网络”（GCNII）模型的 PyTorch 实现。它包含在基准图数据集上复现半监督和全监督结果的代码，以及一个 PyTorch Geometric 参考实现。

CompGCN

AI GitHub 仓库

基于组合的多关系图卷积网络的 PyTorch 实现。它能够实现先进的图表示学习，用于知识图谱链接预测等任务，提供灵活的组合操作和与各种评分函数的兼容性。CompGCN 是一个基于组合的多关系图卷积网络的 PyTorch 实现。它能够实现先进的图表示学习，用于知识图谱链接预测等任务，提供灵活的组合操作和与各种评分函数的兼容性。

关系图卷积网络

AI GitHub 仓库

该项目提供了关系图卷积网络 (R-GCNs) 的 Keras 实现。它专为有向关系图上的半监督节点分类而设计。该代码有助于复现论文“使用图卷积网络对关系数据进行建模”中的实体分类结果。