ICML2019 Self-Attention Graph Pooling
本文轉載自知乎專欄: NLP入門論文解析 作者: Taki https://zhuanlan.zhihu.com/p/104837556 小編語: 經典的CNN架構通常包含卷積層和池化層. GNN將CNN泛化到了圖數據上,在很多領域得到了廣泛的應用.但是,目前的GNN主要關注如何定義節點的鄰居並聚合鄰居信息(也就是卷積層的設計),對於池化並沒有較多的關注. 那麼,圖上的池化層該怎麼來做呢?有什麼
相關文章
- 1. GNN Pooling(一)：Graph U-Nets，ICML2019
- 2. GNN中的Graph Pooling
- 3. selfattention
- 4. selfattention記錄
- 5. GNN Pooling(十一)：Edge Contraction Pooling for Graph Neural Networks，2019
- 6. GNN Pooling(九)：Structure-Feature based Graph Self-adaptive Pooling，WWW2020
- 7. 13.Hierarchical Graph Representation Learning with Differentiable Pooling
- 8. Hierarchical Graph Representation Learning with Differentiable Pooling摘要
- 9. 如何理解SelfAttention
- 10. 圖神經網絡論文閱讀(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019
- 更多相關文章...
- • Git 標籤 - Git 教程
- • Git 查看提交歷史 - Git 教程
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. GNN Pooling(一)：Graph U-Nets，ICML2019
- 2. GNN中的Graph Pooling
- 3. selfattention
- 4. selfattention記錄
- 5. GNN Pooling(十一)：Edge Contraction Pooling for Graph Neural Networks，2019
- 6. GNN Pooling(九)：Structure-Feature based Graph Self-adaptive Pooling，WWW2020
- 7. 13.Hierarchical Graph Representation Learning with Differentiable Pooling
- 8. Hierarchical Graph Representation Learning with Differentiable Pooling摘要
- 9. 如何理解SelfAttention
- 10. 圖神經網絡論文閱讀(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019