PREDICT THEN PROPAGATE: GRAPH NEURAL NETWORKS MEET PERSONALIZED PAGERANK
Motivation 傳統GCN在節點分類中達到了不錯的效果，但只能在將層數限制在2-3層，加深層數會導致兩個問題： （1）、出現過平滑現象：即最後所有節點趨向同一個值。 （2）、隨着層數的加深，參數量也呈指數級增長。 但是試驗表明，一般要將層數達到4-5層才能使才能覆蓋所有的節點。 爲了解決這個問題，引進了PageRank方法。 問題一 由於PageRand方法可能陷入「陷阱問題」和「終止問題」
相關文章
- 1. 《Predict then Propagate: Graph Neural Networks meet Personalized PageRank》論文閱讀筆記
- 2. Random Walk and Personalized Pagerank
- 3. Applications of Graph Neural Networks
- 4. 【KDD 2019】Heterogeneous Graph Neural Network
- 5. Graph Neural Network Review
- 6. 筆記《Graph Neural Tangent Kernel: Fusing Graph Neural Networks with Graph Kernels》-NeurIPS 2019
- 7. 《The graph neural network model》筆記
- 8. Paper Notes: A Comprehensive Survey on Graph Neural Networks
- 9. GMNN: Graph Markov Neural Networks
- 10. CS224W-08-Graph Neural Networks
- 更多相關文章...
- • Git 標籤 - Git 教程
- • Lua if...else 語句 - Lua 教程
- • 使用阿里雲OSS+CDN部署前端頁面與加速靜態資源
- • Java 8 Stream 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. 《Predict then Propagate: Graph Neural Networks meet Personalized PageRank》論文閱讀筆記
- 2. Random Walk and Personalized Pagerank
- 3. Applications of Graph Neural Networks
- 4. 【KDD 2019】Heterogeneous Graph Neural Network
- 5. Graph Neural Network Review
- 6. 筆記《Graph Neural Tangent Kernel: Fusing Graph Neural Networks with Graph Kernels》-NeurIPS 2019
- 7. 《The graph neural network model》筆記
- 8. Paper Notes: A Comprehensive Survey on Graph Neural Networks
- 9. GMNN: Graph Markov Neural Networks
- 10. CS224W-08-Graph Neural Networks