真棒图神经网络：图神经网络的论文清单

Keras图注意力网络 已淘汰 GAT的此实现不再得到积极维护，可能无法与Tensorflow和Keras的现代版本一起使用。 查看及其，以了解的Tensorflow / Keras实现。 这是Veličković等人的图注意力网络（GAT）模型的Keras实现。 （2017， ）。 致谢 我与本文的作者没有任何隶属关系，出于非商业原因，我正在实施此代码。 作者发布了他们的，因此请检查一下以确保可以按预期工作。 它们的实现与我的实现略有不同，因此可能需要牢记。 如果您使用以下任何代码进行研究，则应引用该论文： @article{ velickovic2018graph, title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Ca

WSDM'21教程：具有深图库的可扩展图神经网络 时间： 2021年3月8日，上午9:30-下午12:00（GMT + 2） 作者：来自亚马逊AI的大正，王敏杰，甘泉，宋松，张正 从图和关系数据中学习在许多应用程序中起着重要作用，包括社交网络分析，市场营销，电子商务，信息检索，知识建模，医学和生物科学，工程学等。 在过去的几年中，图形神经网络（GNN）成为一种有前途的新型监督学习框架，能够将深度表示学习的功能引入图形和关系数据。 这项不断发展的研究表明，GNN在诸如链接预测，欺诈检测，目标配体结合活性预测，知识图完成和产品推荐等问题上达到了最先进的性能。 实际上，许多现实世界的图都非常大。 迫切需要一种可扩展的解决方案，以在大型图形上有效地训练GNN。 本教程将概述GNN背后的理论，讨论GNN非常适合的问题类型，并介绍一些最广泛使用的GNN模型架构以及旨在解决的问题/应用程序。 它将引入

图神经网络——图注意力网络（GAT）原始论文与源码

Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction 【NeurIPS 2021】神经Bellman-Ford网络:用于链路预测的一般图神经网络框架 链接预测是图的一项非常基础的任务。在传统路径学习方法的启发下，本文提出了一种通用的、灵活的基于路径的链接预测表示学习框架。具体来说，我们将节点对的表示定义为所有路径表示的广义和，每个路径表示都是路径中各边表示的广义乘积。受求解最短路径问题的Bellman-Ford算法的启发，我们证明了所提出的路径公式可以被广义Bellman-Ford算法有效地求解。为了进一步提高路径表示的能力，我们提出了神经BellmanFord网络(NBFNet)，这是一个通用的图神经网络框架，用于解决广义Bellman-Ford算法中使用学习算子的路径表示。NBFNet将广义Bellman-Ford算法参数化，采用3个神经单元，分别对应边界条件、乘法算子和求和算子。NBFNet是非常通用的，涵盖了许多传统的基于路径的方法，并且可以应用于同构图和多关系图(例如，知识图)在转换和归纳设置。在同构图和知识图谱上的实验表明，所提出的NBFNet在转导和归纳设置方面都大大优于现有方法，取得了最新的研究结果。

在2019年的ACL、KDD、ICLR、ICML、ICCV、WWW、NeurIPS，以及2020年的ICLR中，出现了多篇以图神经网络（GNN）为代表的论文，涉及若干个经典且新颖任务。以下附上这些论文，供相关研究人员下载、学习研究。

北京邮电大学校园网拓扑图 *

1. 带领初学者入门图学习 2. 学会图领域相关的经典算法：DeepWalk、node2vec、GCN、GAT、GraphSage 3. 了解图神经网络领域的前沿研究方向，掌握部分进阶 GNN 模型

GraphNeuralNetwork 《深入浅出图神经网络：GNN原理解析》配套代码 关于勘误 由于作者水平有限，时间仓促，书中难免会有一些错误或不准确的地方，给读者朋友造成了困扰，表示抱歉。 仓库中提供了目前已经发现的一些问题的,在此向指正这些错误的读者朋友表示感谢。 在5.4节图滤波器的介绍中，存在一些描述错误和概念模糊的问题，可能给读者理解造成偏差，勘误中对相关问题进行了更正 环境依赖 python>=3.6 jupyter scipy numpy matplotlib torch>=1.2.0 Getting Start FAQ Cora数据集无法下载 Cora数据集地址是：。 仓库中提供了一份使用到的cora数据，可以分别将它放在 chapter5/cora/raw 或者 chapter7/cora/raw 目录下。 新代码直接使用本地数据.

人工智能领域的顶会AAAI 2020将在2020年2月7日-12日在美国纽约举行。据官方统计消息，AAAI 2020今年共收到的有效论文投稿超过 8800 篇，其中 7737 篇论文进入评审环节，最终收录数量为 1591 篇，接收率 20.6%。开会在即，提前整理了AAAI 2020图神经网络(GNN)相关的接收论文，让大家先睹为快——跨模态、部分标签学习、交通流预测、少样本学习、贝叶斯图神经网络。