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

纸 论文“深度融合集群网络”的源代码 图W.涂，周S.，刘X.，郭X，蔡Z. 被AAAI2021接受。 安装 克隆此仓库。 git clone https://github.com/WxTu/DFCN.git Windows 10或Linux 18.04 的Python 3.7.5 脾气暴躁的1.18.0 斯克莱恩0.21.3 火炬视觉0.3.0 Matplotlib 3.2.1 准备 我们总共采用了六个数据集，包括三个图形数据集（ACM，DBLP和CITE）和三个非图形数据集（USPS，HHAR和REUT）。 要在这些数据集上训练模型，请从（访问代码：4622）或下载它们。 代码结构与用法 在这里，我们提供了PyTorch中的深度融合集群网络（DFCN）的实现，以及DBLP数据集上的执行示例（由于文件大小的限制）。 该存储库的组织方式如下： load_data.py

EGNN-Pytorch（WIP） 中的实现。 最终可用于Alphafold2复制。 安装 $ pip install egnn-pytorch 用法 import torch from egnn_pytorch import EGNN layer1 = EGNN ( dim = 512 ) layer2 = EGNN ( dim = 512 ) feats = torch . randn ( 1 , 16 , 512 ) coors = torch . randn ( 1 , 16 , 3 ) feats , coors = layer1 ( feats , coors ) feats , coors = layer2 ( feats , coors ) # (1, 16, 512), (1, 16, 3) 带边 import torch from egnn_pytorch impo

图神经网络模型学习

Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction 【NeurIPS 2021】神经Bellman-Ford网络:用于链路预测的一般图神经网络框架 链接预测是图的一项非常基础的任务。在传统路径学习方法的启发下，本文提出了一种通用的、灵活的基于路径的链接预测表示学习框架。具体来说，我们将节点对的表示定义为所有路径表示的广义和，每个路径表示都是路径中各边表示的广义乘积。受求解最短路径问题的Bellman-Ford算法的启发，我们证明了所提出的路径公式可以被广义Bellman-Ford算法有效地求解。为了进一步提高路径表示的能力，我们提出了神经BellmanFord网络(NBFNet)，这是一个通用的图神经网络框架，用于解决广义Bellman-Ford算法中使用学习算子的路径表示。NBFNet将广义Bellman-Ford算法参数化，采用3个神经单元，分别对应边界条件、乘法算子和求和算子。NBFNet是非常通用的，涵盖了许多传统的基于路径的方法，并且可以应用于同构图和多关系图(例如，知识图)在转换和归纳设置。在同构图和知识图谱上的实验表明，所提出的NBFNet在转导和归纳设置方面都大大优于现有方法，取得了最新的研究结果。

个人笔记对模型数学上的解读部分很大程度上受到这篇博客的启发与参考 Notation T=S∪QT=S \cup QT=S∪Q,support set and query set, support set SSS in each episode serves as the labeled training set xix_ixi​ and yi∈{C1,…,CN}=CT⊂Cy_i \in \{C_1,…,C_N\}=C_T \subset Cyi​∈{C1​,…,CN​}=CT​⊂C: iii th input data and its label, CCC is the set of all

GraphNeuralNetwork 《深入浅出图神经网络：GNN原理解析》配套代码 关于勘误 由于作者水平有限，时间仓促，书中难免会有一些错误或不准确的地方，给读者朋友造成了困扰，表示抱歉。 仓库中提供了目前已经发现的一些问题的,在此向指正这些错误的读者朋友表示感谢。 在5.4节图滤波器的介绍中，存在一些描述错误和概念模糊的问题，可能给读者理解造成偏差，勘误中对相关问题进行了更正 环境依赖 python>=3.6 jupyter scipy numpy matplotlib torch>=1.2.0 Getting Start FAQ Cora数据集无法下载 Cora数据集地址是：。 仓库中提供了一份使用到的cora数据，可以分别将它放在 chapter5/cora/raw 或者 chapter7/cora/raw 目录下。 新代码直接使用本地数据.