我们很高兴地邀请到来自哈佛大学的Marinka Zitnik教授来给我们做一个关于计算生物学中的图神经网络的讲座。在本讲座中，Marinka教授概述了为什么图学习技术可以极大地帮助计算生物学研究。具体来说，本演讲涵盖了3个范例用例: (1) 通过异构知识图谱的多关系链接预测发现安全的药物-药物组合;(2)通过学习子图嵌入对患者结局和疾病进行分类;(3)通过图的少样本学习，学习有效的疾病治疗方法。

在许多领域，包括医疗保健、生物和气候科学，时间序列是不规则的采样，连续读数之间的时间间隔不同，不同的变量子集(传感器)在不同的时间点观测。在收集传感器测量数据时，经常存在一些实际问题，这些问题会导致各种类型的不正常现象，例如成本节约、传感器故障、物理场景中的外部力量、医疗干预等等。 虽然时间序列的机器学习方法通常假设完全可观察和固定大小的输入，但不规则采样的时间序列提出了相当大的挑战。例如，传感器的观测结果可能没有对齐，相邻读数之间的时间间隔可能因传感器而异，不同的样本可能在不同的时间记录不同数量的读数。

在实际应用场景的配电网故障占电网总故障的80%以上，并且配电网故障的预测一直以来都是比较困难的课题.本文在国家电网提出“泛在物联”的号召下，分析了学者们在此问题上的研究成果后，结合图神经网络的思想提出了一种基于图神经网络的配电网故障预测方法.参考了现在常用的图神经网络设计框架，详细的设计了节点信息汇集函数、预测函数和损失函数，并根据算法流程测试选定了合理的深度参数.算法充分考虑了相连节点间的互相影响，使用真实的电网运行数据对在该课题上常用的其它两种算法的横向比较，实验表明算法在精确度上提高了3.0%，并具有更强的鲁棒性.

图神经网络中的图编辑距离计算处理分析.docx

由北京智源人工研究员、智源AI社区举办的图神经网络在线研讨会 2020。具体来说，会议报告包括：《网络表示学习》-北大宋国杰、《图卷积神经网络》-中科院计算所沈华伟、《图神经网络(GNN)及认知推理》-清华唐杰、《异质图神经网络及其在电商中的应用》-北邮石川。欢迎大家下载、学习。

以下附上一份简单《图神经网络》的教程，共计28页ppt。其主要包括图卷积网络（Graph Convolutional Networks）、图采样方法（Graph Sampling Methods）与基于PyTorch的实现与应用（Application and PyTorch Implementation）三个核心部分。欢迎感兴趣的朋友下载学习。

门控图神经网络（GGNN）的Tensorflow实现，用于源代码分类 这是门控图神经网络（GGNN）的Tensorflow实现，如Y. Li，D.Tarlow，M.Brockschmidt和R.Zemel在论文《 ）中所述。 缩短培训时间并加快收敛速度​​的技巧： 存储桶：将具有相似大小的批处理图放在一起，而不是随机混洗和批处理。 对于小图，请使用密集图表示；对于大图，请使用稀疏图表示。 我们根据的论文的详细信息，将文件解析为图形表示形式。 有关为方法名称预测实现的版本，请参阅此存储库： : 什么是GGNN？ 解决图结构化数据和问题 门控传播模型（与GRU相同的想法），用于计算节点表示形式 展开固定步骤的重复周期，并在整个时间范围内使用反向传播 任务 代码分类 排序算法（SA数据集）：从Github收集的10个排序问题，包括：插入排序，合并排序，拓扑排序，堆排序，冒泡排序，

图神经网络 这是一个PyTorch库，用于实现图神经网络和图递归神经网络。 如有任何问题，意见或建议，请发送电子邮件至Fernando Gama（电子邮件至和/或Luana Ruiz（至 。 在可以找到有关源代码本地化示例的深入教程。 （） 每当使用此代码的任何部分时，请引用以下论文 F. Gama，AG Marques，G。Leus和A. Ribeiro，“”， IEEE Trans。 信号处理。 ，卷。 67号4，第1034-1049页，2019年2月。 我们注意到，某些特定的具有特定的论文引文，以充分认可各自的贡献者。 作者关于GNN的其他论文是 提交给IEEE Trans的E. Isufi，F。Gama和A. Ribeiro，“ EdgeNets：边变图神经网络” 。 模式分析和马赫数。 智力 F. Gama，E。Isufi，G。Leus和A. Ribeiro，“图，卷积和神经

数字图像处理matlab代码，大量实例，涉及数字图像处理算法

入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。通俗易懂，讲解全面。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。通俗易懂，讲解全面。