用两种颜色对n个顶点的完全图 Kn 的边进行染色，使得同色K4的数目尽可能小
详情参见文章https://blog.csdn.net/C_1024/article/details/125582995
2023-04-09 21:19:35
4KB
1
这是总结的深度学习中常用的11个图数据集。
1. 近年来，深度学习越来越关注图方向的任务，通过利用图神经网络去挖掘现实中各种可以利用图来表示事物（社交网络，论文引用网络，分子结构）等等，来学习更好的表示，去实现下游任务。
2. 图数据是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体，线就是实体间的关系。如下图，v就是顶点，e是边，u是整张图。attrinbutes（feature）是信息的意思，每个点、每条边、每个图都是有信息的。
3. 图数据集对于图任务的科研是必备的。深度学习中常用的图数据集：Cora、Citeseer(Cite)、Pubmed、DBLP、ACM、AMAP、AMAC、Corafull、WIKI、BAT、EAT、UAT。
2023-04-02 18:25:09
31.04MB
1
【MATLAB教程案例54】Alexnet网络的MATLAB编程学习和实现，以步态识别为例进行仿真分析。matlab入门100例中用到的步态数据库。
2023-03-31 21:14:42
1.42MB
1
本文中有两个gif图需要将文件使用html的方式打开才可以看到，主要介绍了本人对图卷积网络的形象化的理解，希望能够帮助到大家共同努力，谢谢！
2023-03-23 18:25:52
4.22MB
1
pytorch图注意网络
这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。
回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容：
@article{
velickovic2018graph,
title="{Graph Attention Networks}",
author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua},
journal={International Conference on Learning
2023-03-20 09:31:45
189KB
1
针对移动目标防御中网络攻击面缺少客观风险评估的不足，为了有效地实现网络系统的安全风险评估，实现对潜在的攻击路径进行推算，提出一种基于贝叶斯攻击图的网络攻击面风险评估方法。通过对网络系统中资源、脆弱性漏洞及其依赖关系建立贝叶斯攻击图，考量节点之间的依赖关系、资源利用之间的相关性以及攻击行为对攻击路径的影响，推断攻击者到达各个状态的概率以及最大概率的攻击路径。实验结果表明了所提网络攻击面风险评估方法的可行性和有效性，能够为攻击面动态防御措施的选择提供很好的支撑。
2023-03-11 18:25:47
885KB
1
TF图神经网络样本
该存储库是代码版本，对应于介绍具有特征线性调制的图神经网络（GNN）的文章（ ）。 在本文中，讨论了许多GNN架构：
门控图神经网络（GGNN）（ ）。
关系图卷积网络（RGCN）（ ）。
关系图注意力网络（RGAT）-图注意力网络（ ）对几种边缘类型的概括。
关系图同构网络（RGIN）-图同构网络（ ）对几种边缘类型的概括。
带有边缘MLP的图形神经网络（GNN-Edge-MLP）-RGCN的一种变体，其中边缘上的消息是使用完整MLP而非单个层来计算的。
关系图动态卷积网络（RGDCN）-RGCN的新变体，其中动态计算卷积层的权重。
具特征线性调制（GNN-FiLM）的图形神经网络-带有FiLM层的RGCN的新扩展。
本文中提出的结果基于该存储库中提供的模型和任务的实现。
此代码已在使用TensorFlow 1.13.1的Python 3.
2023-03-11 09:22:01
25.7MB
1
Heterogeneous Information Network
传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。
如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类
2023-02-11 20:56:14
384KB
1
极端天气情况一直困扰着人们的工作和生活。部分企业或者工种对极端天气的要求不同，但是目前主流的天气推荐系统是直接将天气信息推送给全部用户。这意味着重要的天气信息在用户手上得不到筛选，降低用户的满意度，甚至导致用户的经济损失。我们计划开发一个基于图神经网络的天气靶向模型，根据用户的历史交互行为，判断不同天气对他的利害程度。如果有必要，则将该极端天气情况推送给该用户，让其有时间做好应对准备。该模型能够减少不必要的信息传递，提高用户的体验感。
模型介绍
（一）数据集共有三个txt文件，分别是user.txt，weather.txt，rating.txt。这些文件一共包含900名用户，1600个天气状况，95964条用户的历史交互记录。
（1）user.txt
用户的信息记录在user.txt中。格式如下：
用户ID\t年龄\t性别\t职业\t地理位置
（2）weather.txt
天气的信息记录在weather.txt中。格式如下：
天气ID\t天气类型\t温度\t湿度\t风速
（3）rating.txt
用户的历史交互记录在rating.txt中。格式如下：
用户ID\t天气ID\t评分
2023-01-02 20:27:42
582KB
1