WordGCN 使用图卷积网络在词嵌入中整合句法和语义信息 WordGCN概述 SynGCN概述：SynGCN使用图卷积网络来利用依赖上下文学习单词嵌入。 对于词汇表中的每个单词，该模型旨在通过基于使用GCN编码的依存关系上下文预测每个单词来学习其表示形式。 请参阅本文的第5节以获取更多详细信息。 依存关系 与TensorFlow 1.x和Python 3.x兼容。 可以使用requirements.txt安装依赖项。 pip3 install -r requirements.txt 安装用于评估学习的嵌入的。 可以从此下载本文中使用的测试和有效数据集拆分。 用提供的文件夹替换原始的~

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