GNN 系列（三）：GraphSAGE

時間 2020-07-25

標籤 gnn 系列 graphsage 简体版

原文原文鏈接

點擊上方「Datawhale」，選擇「星標」公衆號算法第一時間獲取價值內容網絡【引言】在GCN的博文中咱們重點討論了圖神經網絡的逐層傳播公式是如何推導的，然而，GCN的訓練方式須要將鄰接矩陣和特徵矩陣一塊兒放到內存或者顯存裏，在大規模圖數據上是不可取的。其次，GCN在訓練時須要知道整個圖的結構信息(包括待預測的節點), 這在現實某些任務中也不能實現(好比用今天訓練的圖模型預測明天的數據，那麼明

>>阅读原文<<

1. GNN之GraphSAGE學習
2. GNN
3. GraphSAGE(17 -NIPS)
4. 圖神經網絡（GNN）基本知識（DeepWalk 、GraphSage）
5. Graph Neural Networks (GNN)（三）：Spectral-GNN 之 GCN
6. GNN綜述
7. GraphSAGE 代碼解析(三) - aggregators.py
8. GraphSAGE
9. 【GNN】GAT：Attention 在 GNN 中的應用
10. 【GNN】JK-Net：深層 GNN 架構
更多相關文章...
• Scala List(列表) - Scala教程
• XSL-FO 列表 - XSL-FO 教程
• Docker容器實戰(七) - 容器眼光下的文件系統
• RxJava操作符（三）Filtering

相關標籤/搜索