2019年的时针开始转动，在CNN、RNN、LSTM、GAN、GNN、CAP的潮起潮落中，带来了这篇博客。放上一篇 参考引用 。 其实个人认为理解GNN的核心问题就是理解图怎么做傅里叶变换。CNN
2019-06-08 17:13
在内容上，模型方面，本文从GNN原始模型的构建方式与存在的问题出发，介绍了对其进行不同改进的GNN变体，包括如何处理不同的图的类型、如何进行高效的信息传递以及如何加速训练过程。最后介绍了几个近年来提出的通用框架，它们总结概括了多个现有的方法，具有较强的表达能力。
2018-12-27 09:21
用图神经网络（GNN）做CV的研究有不少，但通常是围绕点云数据做文章，少有直接处理图像数据的。其实与CNN把一张图片看成一个网格、Transformer把图片拉直成一个序列相比，图方法更适合学习不规则和复杂物体的特征。
2022-08-16 10:21
GNN 在经历过 2017-2018 年两年的孕育期与尝试期之后，在 2018 年末至今的一年多时间里，迎来了快速爆发期。
2020-02-08 18:55
本文来源：机器之心编译 作者：Zonghan Wu 图神经网络（GNN）热度持续上升，之前我们曾介绍了清华两篇综述论文，参见：深度学习时代的图模型，清华发文综述图网络，和清华大学图神经网络综述：模型
2019-01-10 10:26
即在分布式计算或者多代理（multi-agent）系统中，如何在发生进程故障的情况下保持系统的可靠性（reliability）。这通常需要进程就计算过程中的一些数值或数值操作达成一致，包括如何将提交到数据库，如何识别leader进程，状态机复制（一种故障容忍机制），原子广播等操作。
2019-07-18 10:06
作者在论文中写道：“这是一个 PyTorch 的几何深度学习扩展库，它利用专用的 CUDA 内核实现了高性能。它遵循一个简单的消息传递 API，将最近提出的大多数卷积和池化层捆绑到一个统一的框架中。所有实现的方法都支持 CPU 和 GPU 计算，并遵循一个不可变的数据流范式，该范式支持图结构随时间的动态变化。”
2019-03-11 08:49
不规则域(Irregular domain)。与图像、音频、文本等具有清晰网格结构的数据不同，图处于不规则的域中，使得很难将一些基本的数学运算推广到图中。例如，卷积神经网络(CNN)中的基本操作“卷积”和“池化”，在图数据中并不能直接地定义。这通常被称为几何深度学习问题。
2019-02-04 08:46
在图分类数据集上，通过实验验证我们的理论，其中 GNN 的表达能力对于捕获图结构至关重要。特别是，我们对基于各种聚合函数的 GNN 性能进行了对比。我们的结果证实了最强大的 GNN（我们的图同构网络
2019-03-01 09:09
为了解决图的相似度学习问题，我们研究了GNN在这种情况下的使用，探讨了如何将图嵌入到向量空间中，并学习这种嵌入模型，使相似的图在向量空间中更接近，而不同的图在向量空间中距离更大。。
2019-05-08 09:40
