执照 Linux和macOS构建 Windows版本 窝 Zenodo 代码覆盖率 代码质量 覆盖范围扫描 声纳云 问题 目录 什么是超图？ 什么是超图分区？ 是图的概括，其中每个（超）边（也称为网）可以连接两个以上的顶点。 k向超图分区问题是对众所周知的问题的推广：将顶点集划分为k个有界大小（不超过平均块大小的1 +ε倍）的不相交的块，同时最小化定义在网。 最突出的两个目标函数是切割网和连接性（或λ− 1）度量。 切割网是图形划分中边缘切割目标的直接概括（即，将连接多个块的那些网的权重之和最小化）。 连接性度量还考虑了通过网络连接的块的实际数量λ。 通过将所有网络的（λ−1）值相加，可以精确地建模并行稀疏矩阵矢量乘法的总通信量，并再次获得一种度量，该度量可以还原为纯图形的边切。 什么是KaHyPar？ KaHyPar是用于优化割线和（λ− 1）度量的多级超图分区框架。 它既支持递归二等分又支持直接k路径分区。 作为多级算法，它包括三个阶段：在粗化阶段，对超图进行粗化以获得较小的超图的层次结构。 在对第二阶段的最小超图应用初始分区算法之后，取消粗化，并且在每个级别上，均使用局部

双水平图神经网络 总览 此存储库包含用于药物相互作用预测的双层图神经网络的代码。 有关详细信息，请参阅我们的论文 用于药物相互作用预测的双层图神经网络。 白云生*，顾坚*，孙宜州，王伟。 ICML 2020图形表示学习及超越（GRL +）研讨会 。 模型 我们引入Bi-GNN建模生物链接预测任务，例如药物-药物相互作用（DDI）和蛋白质-蛋白质相互作用（PPI）。 以药物-药物相互作用为例，使用机器学习的现有方法要么仅利用药物之间的链接结构而不使用每个药物分子的图形表示，要么仅利用单个药物化合物的结构而不对高级DDI使用图形结构图形。 我们方法的关键思想是从根本上将数据视为双层图，其中最高

属性约简matlab代码图嵌入技术 它提供了一些基于无任务或特定于任务的直觉的有趣的图形嵌入技术。 目录 1.1。 1.2。 2.1。 2.2。 3.1。 3.2。 3.3。 3.4。 3.5。 1.纯网络嵌入 1.1。 节点邻近关系 DeepWalk：在线学习社交代表（KDD'14）。 LINE：大规模信息网络嵌入（WWW'15）。 node2vec：网络的可伸缩功能学习（KDD'16）。 注意您的步骤：通过图注解学习节点嵌入（NIPS'18）。 深度图Infomax（ICLR'19）。 1.2。 结构认同 struc2vec：从结构标识中学习节点表示（KDD'17）。 通过扩散小波（KDD'18）学习结构节点嵌入。 2.属性网络嵌入 2.1属性向量 标签通知属性网络嵌入（WSDM'17）。 加速属性网络嵌入（SDM'17）。 图的深度高斯嵌入：通过排名的无监督归纳学习（ICLR'18）。 2.2。 文字内容 具有富文本信息的网络表示学习（IJCAI'15）。 CANE：用于关系建模的上下文感知网络嵌入（ACL'17）。 用于文本网络嵌入的扩散图（NIPS'18）。 3.图神经网络

HTML5树状图 使用带有纯JavaScriptHTML5的树形图的图形化绘制，没有任何其他依赖项。 专为提高速度和效率而设计。 现场示例可以在这里看到：

图上的深度学习最近引起了人们的极大兴趣。然而，大多数工作都集中在（半）监督学习上，导致存在标签依赖重、泛化能力差和鲁棒性弱等缺点。为了解决这些问题，自监督学习 (SSL) 通过精心设计的借口任务提取信息知识，而不依赖于手动标签，已成为图数据的一种有前途和趋势的学习范式。与计算机视觉和自然语言处理等其他领域中的 SSL 不同，图上的 SSL 具有独特的背景、设计思想和分类法。在图自监督学习的框架下，我们及时全面地回顾了使用SSL技术处理图数据的现有方法。我们构建了一个统一的框架，在数学上形式化了图 SSL 的范式。根据借口任务的目标，我们将这些方法分为四类：基于生成的方法、基于辅助属性的方法、基于对比的方法和混合方法。我们进一步总结了图 SSL 在各个研究领域的应用，并总结了图 SSL 的常用数据集、评估基准、性能比较和开源代码。最后，我们讨论了该研究领域的剩余挑战和潜在的未来方向。

http://nlp.csai.tsinghua.edu.cn/~lzy/books/gnn_2020.html 这本书的脑图笔记，iPad 下载 MarginNote 查阅。

图论〔Graph Theory〕是数学的一个分支。它以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应两个事物间具有这种关系。

Graph Neural Networks: Methods, Applications, and Opportunities 在过去十年左右的时间里，我们见证了深度学习重振机器学习领域。它以最先进的性能解决了计算机视觉、语音识别、自然语言处理和各种其他任务领域的许多问题。数据通常在这些域中的欧几里得空间中表示。各种其他域符合非欧几里得空间，图是其中的理想表示。图适用于表示各种实体之间的依赖关系和相互关系。传统上，图形的手工特征无法从这种复杂的数据表示中为各种任务提供必要的推理。最近，出现了利用深度学习中的各种进步来绘制基于数据的任务的趋势。本文对每个学习设置中的图神经网络 (GNN) 进行了全面调查：监督学习、无监督学习、半监督学习和自监督学习。每个基于图的学习设置的分类都提供了属于给定学习设置的方法的逻辑划分。从理论和经验的角度分析每个学习任务的方法。此外，我们提供了构建 GNN 的通用架构指南。还提供了各种应用程序和基准数据集，以及仍然困扰 GNN 普遍适用性的开放挑战。

英文电子书：Applied Graph Theory In Computer Vision And Pattern Recognition

Shader-Gragh实现水体效果