Temporal Graph Networks

Graph Neural PDEs

AI GitHub 仓库

开源项目，提供用于图神经网络 (GNN) 的 Python 代码，该项目将图学习视为一个连续的扩散过程。它实现了 GRAND 和 BLEND 模型，提供了新颖的方法来解决常见的图学习挑战，如过平滑和深度限制。Graph Neural PDEs 是一个开源项目，提供用于图神经网络 (GNN) 的 Python 代码，该项目将图学习视为一个连续的扩散过程。它实现了 GRAND 和 BLEND 模型，提供了新颖的方法来解决常见的图学习挑战，如过平滑和深度限制。

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。

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。

DGCNN

AI GitHub 仓库

用于点云学习的 AI 模型，实现了动态图卷积神经网络。它在 3D 点云数据的分类和分割等任务中取得了最先进的性能。该模型有 PyTorch 实现版本，并已应用于实际场景。DGCNN 是一款用于点云学习的 AI 模型，实现了动态图卷积神经网络。它在 3D 点云数据的分类和分割等任务中取得了最先进的性能。该模型有 PyTorch 实现版本，并已应用于实际场景。

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。

SEAL 链接预测

AI GitHub 仓库

新颖的链接预测框架，它将问题转化为子图分类任务。它提取 h-hop 包络子图和节点信息矩阵，并将它们输入图神经网络。SEAL 同时从图结构和潜在/显式节点特征中学习，以实现准确的链接预测。SEAL 是一个新颖的链接预测框架，它将问题转化为子图分类任务。它提取 h-hop 包络子图和节点信息矩阵，并将它们输入图神经网络。SEAL 同时从图结构和潜在/显式节点特征中学习，以实现准确的链接预测。

LSTNet

AI GitHub 仓库

深度学习模型，专为时间序列预测而设计。它通过结合循环神经网络和卷积神经网络，有效地建模长期和短期时间模式。该模型对于复杂的时间序列数据特别有用。LSTNet 是一款深度学习模型，专为时间序列预测而设计。它通过结合循环神经网络和卷积神经网络，有效地建模长期和短期时间模式。该模型对于复杂的时间序列数据特别有用。