論文筆記之Graph U-Nets
論文筆記之Graph U-Nets 一、要解決的問題 此文研究了圖數據的表示學習問題。 圖數據中的節點沒有空間局部性和順序信息，即節點的鄰居數量不固定，並且沒有順序。所以池化和上採樣不能很自然地對圖數據進行操作。 二、提出的方法 爲了解決這些挑戰，文中提出了graph pooling(gPool)層和graph unpooling(gUnpool)層： • gPool層根據節點在可訓練投影向量上的
相關文章
- 1. 論文筆記之Heterogeneous Graph Attention Network
- 2. 論文筆記之Graph Attention Networks
- 3. GRAPH ATTENTION NETWORKS論文筆記
- 4. [Graph Embedding] node2vec 論文筆記
- 5. [Graph Embedding] LINE 論文筆記
- 6. 【論文筆記】Graph Transformer Networks
- 7. [Graph Embedding] DeepWalk 論文筆記
- 8. 論文筆記：Asymmetric Transitivity Preserving Graph Embedding
- 9. 論文筆記：Neural Graph Collaborative Filtering
- 10. 論文筆記：WWW 2019 Heterogeneous Graph Attention Network
- 更多相關文章...
- • ASP.NET Razor - 標記 - ASP.NET 教程
- • CAP理論是什麼？ - NoSQL教程
- • Tomcat學習筆記（史上最全tomcat學習筆記）
- • 互聯網組織的未來：剖析GitHub員工的任性之源
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. 論文筆記之Heterogeneous Graph Attention Network
- 2. 論文筆記之Graph Attention Networks
- 3. GRAPH ATTENTION NETWORKS論文筆記
- 4. [Graph Embedding] node2vec 論文筆記
- 5. [Graph Embedding] LINE 論文筆記
- 6. 【論文筆記】Graph Transformer Networks
- 7. [Graph Embedding] DeepWalk 論文筆記
- 8. 論文筆記：Asymmetric Transitivity Preserving Graph Embedding
- 9. 論文筆記：Neural Graph Collaborative Filtering
- 10. 論文筆記：WWW 2019 Heterogeneous Graph Attention Network