图神经网络对抗攻击与防御PPT，分享了Nettack和GNNGUARD

近期，IJCAI 2020 论文集已经放出来。在 4717 份有效投稿中，最终仅有 592 篇被接收，接收率为 12.6%，这也是 IJCAI 史上最低的接收率。我们发现在今年的IJCAI 2020会议上图神经网络相关的论文非常多，今天小编专门整理最新6篇图神经网络（GNN）应用在数据挖掘上的相关论文——多通道GNN、自适应时空图卷积、会话流GNN、双重注意力GNN、域自适应HIN、双线性GNN。

本文为大家奉上的是WWW 2020五篇知识图谱+图神经网络（KG+GNN）相关论文，供大家参考！——多关系实体对齐、问答推理、动态图实体链接、序列实体链接、知识图谱补全。

以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。 可以很明显看出三种模型在处理数据时的快慢和准确率。 三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。 时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。 该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。

图神经网络学习模型，用于利用DNA甲基化数据进行精确的多肿瘤早期诊断 运行环境 Linux环境，Python 3 需要以下软件包：numpy，pandas，collections，pytorch，torch_geometirc，seaborn 必须将torch_geometric创建的数据集保存在名为“已处理”的目录中 安装 pip install numpy pip install pandas pip install collections pip install seaborn 在安装pytorch时，应该匹配pytorch，torchvision，cuda和cudnn的版本。 这是我的安装命令作为参考。 conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.2 -c pytorch torch_geome

随着网络信息的爆炸式增长，推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值，这一领域的研究一直在不断涌现。近年来，图神经网络(GNN)技术得到了广泛的关注，它能将节点信息和拓扑结构自然地结合起来。

近些年来，深度学习已经成为处理NLP各种任务的主要方法。由于用图（graph）来表征文本可以更好的获取文本的结构信息，且随着火热的图神经网络的兴起，各种各样的NLP问题开始用图结构的形式来表示和学习。因此，为大量的NLP任务开发新的图深度学习技术就成为了一个必要的需求。

图神经网络Graph实战

Graphs are useful data structures in complex real-life applications such as modeling physical systems, learning molecular fingerprints, controlling traffic networks, and recommending friends in social networks. However, these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models (e.g., convolutional neural networks (CNNs) or recurrent neural networks (RNNs)). Nodes in graphs usually contain useful feature information that cannot be well addressed in most unsupervised representation learning methods (e.g., network embedding methods). Graph neural networks (GNNs) are proposed to combine the feature information and the graph structure to learn better representations on graphs via feature propagation and aggregation. Due to its convincing performance and high interpretability, GNN has recently become a widely applied graph analysis tool.

本文继续为大家整理了五篇CVPR 2020 图神经网络（GNN）相关论文，供大家参考——行为识别、少样本学习、仿射跳跃连接、多层GCN、3D视频目标检测。