图神经网络论文阅读(十三) Masked Graph Convolutional Network，IJCAI2019

最新推荐文章于 2023-04-24 20:45:01 发布
原创 最新推荐文章于 2023-04-24 20:45:01 发布 · 1.2k 阅读 · 1
标签
#图神经网络
本文详细介绍了图神经网络中的Masked Graph Convolutional Network，探讨了标签传播和标签扩散算法，并对比了与传统GCN和GAT的区别。重点在于Mask机制如何弱化不相似节点特征的影响，通过学习参数实现更精准的节点分类。

目录


本文的作者来自河北工业大学，天大以及北大。
半监督中有一种方法是在图上传播标签，也就是Label Propagation；还有就是咱们熟悉的GCN了。前者传播的是标签，也就是邻近的节点在直觉上应该具有相同的标签；后者传递的是属性。本文首先将半监督方法分为对称与非对称的传播方法两类，然后指出，在属性传播的过程中，GCN把所有的邻居节点的特征都考虑在内了；实际上有些属性是不应该传播的。举个例子，大V的类别（人文、科技）这种属性可以传播给他的关注者，但是性别就不应该传播了。因此，文本采用了Mask的机制，根据mask指示器，只对邻居传播已经确定的属性，而不是直接传播所有的，并取得了很好的效果。

Label Propagation

先看看标签传播算法【1】。标签传播算法（label propagation）的核心思想非常简单：相似的数据应该具有相同的label。LP算法包括三大步骤：
1）执行节点之间的传播
2）用传播结果重置F中已经标记的标签
3）迭代上述步骤使得F收敛。其中，F是一个soft矩阵， F ∈ R N ∗ C F∈R^{N*C}

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Mask RCNN －原理解析（一）
热门推荐
ghw15221836342的博客
04-25 3万+
Mask RCNN 原理：简单说一下Mask R-CNN 是一个两阶段的框架，第一个阶段扫描图像并生成提议（proposals，即有可能包含一个目标的区域），第二阶段分类提议并生成边界框和掩码。Mask R-CNN 扩展自 Faster R-CNN，由同一作者在去年提出。Faster R-CNN 是一个流行的目标检测框架，Mask R-CNN 将其扩展为实例分割框架。Mask R-CNN 的主要构...
卷积神经网络——实例分割之Mask R-CNN论文翻译
itlilyer的博客
09-29 5050
论文链接 https://arxiv.org/abs/1703.06870 相关论文翻译链接 R-CNN：https://blog.csdn.net/itlilyer/article/details/107190083 Fast R-CNN：https://blog.csdn.net/itlilyer/article/details/107764472 Faster R-CNN：https://blog.csdn.net/itlilyer/article/details/108049850 Mask R-C
神经网络的认识（十二）Mask-RCNN
赫凯的博客
06-09 3209
Mask-RCNN 的网络结构示意： 其中 黑色部分为原来的 Faster-RCNN， 红色部分为在 Faster 网络上的修改： 1） 将 Roi Pooling 层替换成了 RoiAlign； 2） 添加并列的 FCN 层（mask 层）； 先来概述一下 Mask-RCNN 的几个特点（来自于 Paper 的 Abstract）： 1）在边框识别的基础上添加分支网络，用于 语义 Mask 识...
行人轨迹论文阅读SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction
Sun_ZD的博客
03-23 4357
SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction SSAGCN：用于行人轨迹预测的社会软注意力图卷积网络 **Abstract-行人轨迹预测是自动驾驶的一项重要技术，近年来已成为研究热点。为了准确预测行人未来的合理轨迹，不可避免地要同时考虑行人之间的社交互动和周围场景的影响。以前的方法主要依靠行人的位置关系来模拟社交互动，这显然不足以代表真实情况下的复杂案例。此外，现有的
【ReID论文阅读（三）】（2019CVPR）Masked Graph Attention Network for Person Re-Identification
weixin_40194996的博客
04-20 1086
前言 第三篇了，加油，我能行。。。 摘要 主流方法更多的关注的是个类样例中图片和标签的联系，而忽视了总特征图中丰富的交互信息。我们提出了一种方法叫做masked graph attention network（MGAT）解决这个问题。 MGAT在一张由提取出来特征组成的完全图上操作，在这张图上，节点能在标签信息（以mask矩阵表示的）的引导下和其它节点相互联系。通过MGAT模块，先前可能被忽视的全...
Masked Graph Attention Network for Person Re-identification翻译
qq_35091353的博客
09-17 825
来源 Paper: Masked Graph Attention Network for Person Re-identification Code(暂无) Abstract 主流的行人再识别方法(ReID)主要关注个体样本图像与标签之间的对应关系，而忽略了整个样本集中丰富的全局互信息。为此，我们提出了一种掩码图注意网络(MGAT)方法。MGAT利用所提取的特征信息构建完整的图，节点在标签信息的引导下以掩模矩阵的形式定向地关注其他节点的特征。利用MGAT模块，将之前忽略的全局互信息转化为具有更强鉴别能力的监
深度学习神经网络中的MASK机制
CSDNXXCQ的博客
01-29 3234
简单来说就是得出A然后结合A与下一个特征得出B,结合A,B与下一个特征得出C，那么整个句子的内在关联就是Z=A+B+C
图神经网络 | (6) 图分类(SAGPool)实战
sdu_hao的博客
02-03 2万+
近期买了一本图神经网络的入门书,最近几篇博客对书中的一些实战案例进行整理，具体的理论和原理部分可以自行查阅该书，该书购买链接：《深入浅出的图神经网络》。 该书配套代码 本节我们通过代码来实现基于自注意力的池化机制(Self-Attention Pooling)。来对图整体进行分类，之前我们是对节点分类，每个节点表示一条数据，学习节点的表示，进而完成分类，本节我们通过自注意力池化机制，得到整个图...
神经网络中的掩码
weixin_45831829的博客
04-24 2950
在这种情况下，掩码就可以用于表示哪些位置是填充的位置，哪些位置是实际文本的位置。在自然语言处理中，掩码通常用于处理变长序列的输入，例如将填充位置的信息遮盖掉，以避免这些填充位置对模型的训练产生影响。在图像处理中，掩码也可以用于处理图像中的部分区域，例如将不感兴趣的区域遮盖掉，以加速模型的训练和推断。例如，在机器翻译任务中，输入序列和输出序列的长度可能不同，因此需要使用掩码来指示哪些位置应该被忽略，以避免注意力机制关注到填充位置。总之，掩码在神经网络中有着广泛的应用，在不同的任务中扮演着不同的角色。
Masked GCN论文解读
xzq_13972146251的博客
05-26 1292
Masked Graph Convolution Network 文章目录Masked Graph Convolution Network1 提出问题2 文章贡献2.1 标签传播和属性传播2.2 GCNNs的分析和总结3 Masked Graph Convolutional Network 1 提出问题 一般直觉：连接的数据样本往往是相似的。 标签传播直觉：相邻的节点通常具有相似的标签，这个直觉通常有效。 提出问题：相邻的数据样本在属性方面是否相似？ 引出本文观点：事实上，相邻的节点只有某一部分属性
神经网络 mask的作用
xiashilin的博客
10-21 8279
     对句子填补之后, 就要输入到Embedding层中, 将token由id转换成对应的vector. 我们希望被填补的0值在后续的计算中不产生影响, 就可以在初始化Embedding层时指定参数mask_zero为True, 意思就是屏蔽0值, 即填补的0值。      在Embedding...
图神经网络（四）图分类（3）图分类实战
weixin_43360025的博客
05-07 2763
图神经网络（四）图分类（3）图分类实战4.3 图分类实战 4.3 图分类实战  本节我们通过代码来实现基于 自注意力的池化机制（Self-Attention Pooling）。这种方法的思路是通过图卷积从图中自适应地学习到节点的重要性。[0] 具体来说，使用第1章中定义的图卷积方式，可以为每个节点赋予一个重要性分数，如下式所示： Z=σ(D~−1/2A~D~−1/2XΘatt)Z=σ(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}XΘ_{att})Z=σ(D~−1/2A~
图神经网络GraphSAGE代码详解
王先森的博客
09-05 4442
图神经网络GraphSAGE代码详解1. 前言2. 代码下载3. 数据集分析4. 代码分析4. 1 model.py4. 2 aggregators.py4. 3 encoders.py5 总结 1. 前言 最近在学习图神经网络相关知识，对于直推式的图神经网络，训练代价昂贵，这篇文章主要是介绍一个基于归纳学习的框架GraphSAGE的代码，旨在训练一个聚合函数，为看不见的节点（新的节点）生成嵌入。因为自己也是小白，写这篇文章的目的也是为了增强自己对该算法的理解和记忆，由于下载下来的代码没有注释，我会尽可能的
图神经网络的表示方法和使用案例
deephub
08-26 6012
由于图数据结构无处不在，图神经网络 (GNN) 越来越受欢迎。 图使我们能够对科学领域中的许多不同问题进行建模，例如（但不限于）生物学、社会学、生态学、视觉、教育、经济学等。此外，图表示使我们能够处理大规模的非结构化数据。 在本文中，我将展示如何在分类、聚类和可视化等任务中使用简单的 GNN。 我将使用 GCN（图卷积网络）作为运行示例。 这应该提供一个很好的启发，将意识形态扩展到他们自己的领域。 GNN 的正式表示方法 任何GNN都可以表示为一个包含两个数学算子的层，即聚合函数和组合函数。使用MPNN(消
用于图像分割的卷积神经网络：从R-CNN到Mask R-CNN
杨德龙的专栏
11-05 1万+
文章来源： 机器之心 选自Athelas作者：Dhruv Parthasarathy机器之心编译参与：王宇欣、hustcxy、黄小天 卷积神经网络（CNN）的作用远不止分类那么简单！在本文中，我们将看到卷积神经网络（CNN）如何在图像实例分割任务中提升其结果。 自从 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever 在 2012 年赢
GCN现有变体不完全汇总（在时空数据挖掘中的应用）
zzyy0929的博客
03-04 3984
GCN现有变体汇总（应用篇） Mix Hop（高阶多跳的图特征）融合 文献： ICML_2019 MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing AAAI_20: M...
Graph Convolution Network图卷积网络（三）嵌入其他网络结构
祥瑞的技术博客
05-31 4143
背景：实现GCN，并且于resnet输出端的score level实现。 目录 一、GCN理论基础 二、邻接矩阵正则化 2.1 矩阵A的正则化 2.2 运算与存储 三、torch实现 3.1 init中的super 3.2 矩阵的读取与运算 3.2 图卷积层的实现 3.3 GCN实现 3.4 cuda的实现 相关内容 GCN (Graph Convolutional Ne...
Masked Graph Attention Network for Person Re-identification
soarflight_ing的博客
12-08 496
Masked Graph Attention Network for Person Re-identification 论文：Masked Graph Attention Network for Person Re-identification，cvpr,2019 链接：paper 代码：github 摘要 ​ 主流的行人重识别方法（ReID)主要关注个体样本图像与标签之间的对应关系，而忽略了整个样本集中丰富的全局互信息。为此，文中提出了一种掩码图注意网络（MGAT）方法。MGAT 利用所提取的特征信
ConvMAE: Masked Convolution Meets Masked Autoencoders
hasque2019的博客
08-31 952
Self-Supervised Learning，又称为自监督学习，机器学习分为有监督学习，无监督学习和半监督学习。而 Self-Supervised Learning 是无监督学习里面的一种，主要是希望能够学习到一种通用的特征表达用于下游任务 (Downstream Tasks) 。其主要的方式就是通过自己监督自己。作为代表作的 kaiming 的 MoCo 引发一波热议， Yann Lecun也在 AAAI 上讲 Self-Supervised Learning 是未来的大势所趋。 ConvMAE: M
【DL】第 4 章：自回归模型
sikh_0529的博客
03-06 2834
索普先生的故事他的众包寓言是对顺序数据最常用和最成功的深度学习技术之一的类比如文：长短期记忆（LSTM）网络。LSTM 网络是一种特殊类型递归神经网络（RNN）。RNN 包含一个循环层（或cell），它能够通过在特定时间步使其自己的输出成为下一个时间步输入的一部分来处理顺序数据，因此来自过去的信息可以影响当前时间步的预测。我们说LSTM 网络是指具有 LSTM 循环层的神经网络。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五月的echo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值