近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

基于神经网络的SLAM顶会论文

keras==2.1.5 ,tensorflow==1.10，改路径

行业分类-作业装置-一种基于图卷积网络融合多特征输入的网络流量预测方法.7z

matlab如何敲代码GCN_for_EEG 图卷积网络用于4类EEG分类 纯粹的PYTHON穿插！ 启示： 名称 描述 创建了GCN的基础知识！ 为EEG分类创建了糟糕的代码 我做了什么？ Shuyue的工作很棒，但是预处理应该在MATLAb中完成，并不是所有人都可以使用。 所以我穿插了python版本！ 我还在代码中添加了其他类型的GCN，并更改了代码的某些部分 怎么跑？ 下载-并将其放置在01loadData文件夹中（或轻松运行downloaddata.py 运行edfread.py 。 该代码将以64个电极数据+ 64个标签数据结尾。 使用PYTHON 2.7 现在该将上一步的结果复制到02Preprocess中了。 我同时放置了MATLAB和PYTHON，但是我的主要目的是拥有PURE PYTHON环境，因此进入WithPython并创建一个名为data的文件夹，并在其中放置128个.mat文件。 然后运行代码。结果在文件夹pythondata中以.csv文件形式提供 在onEEGcode.py所在的位置创建文件文件夹。 然后在其中复制CSV文件。 运行onEEGcode.p

提醒 ST-GCN已转移到 ，并继续开发为基于骨架的人类理解的灵活开放源代码工具箱。 欢迎您迁移到新的MMSkeleton。 旧的st-gcn的自定义网络，数据加载器和检查点与MMSkeleton兼容。 如果要使用旧的ST-GCN，请参阅 。 此代码库很快将不再维护，并且作为历史工件存在，以补充有关以下方面的AAAI论文： 基于骨架的动作识别的时空图卷积网络， 。 如需更多最新作品，请查看MMSkeleton。

阿斯泰格 基于注意力的时空图卷积网络的交通流量预测（ASTGCN） 参考 数据集 我们在来自加利福尼亚的两个高速公路交通数据集PeMSD4和PeMSD8上验证了我们的模型。 这些数据集由Caltrans绩效评估系统（ ）（ ）每30秒实时收集一次。 交通数据会从原始数据每隔5分钟汇总一次。 该系统在加州主要都会区的高速公路上部署了39,000多台探测器。 有关传感器测站的地理信息记录在数据集中。 我们的实验中考虑了三种流量度量，包括总流量，平均速度和平均占用率。 我们提供两个数据集：PEMS-04，PEMS-08 PEMS-04： 307个探测器2018年1月至2月3个特点：流动，占据，速度。 PEMS-08： 170个检测器2016年7月至8月3个特点：流动，占据，速度。 要求 python> = 3.5 mxnet> = 1.3.0 mxboard 科学的 张

Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method

图卷积神经网络简述，Graph Signal Processing with Applications to 3D Clouds of Points and Neuroscience

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.