自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(12)
  • 问答 (1)
  • 收藏
  • 关注

原创 《Graph Representation Learning via Hard and Channel-Wise Attention Networks》阅读笔记

《Graph Representation Learning via Hard and Channel-Wise Attention Networks》前言一、相关工作1.注意力机制2.硬注意力机制3.图注意力机制GAO二、模型1.hGAO:图的硬注意力机制2.cGAO:图的逐通道注意力机制3.GANet三、实验1.数据集2.参数设置3.效率对比4.归纳式学习任务5.直推式学习任务6.hGAO、cGAO及GAO对比7.参数敏感性前言2019 KDD上的文章。图注意力机制(GAO) 会消耗大量的计算资

2021-08-17 15:05:07 397 2

原创 《Unsupervised Inductive Graph-Level Representation Learning via Graph-Graph Proximity》阅读笔记

《Simgnn: A neural network approach to fast graph similarity computation》前言一、模型1.节点向量更新2.生成图向量(MSNA)二、距离1.定义2.损失三、实验1.问题12.问题23.问题3总结前言这篇文章是做图与图之间的相似性的,可以用于下游的图分类任务。一般的模型都是根据节点的向量,节点间的邻接关系等“图内”信息来得到该图的表示向量的,这往往忽视了图与图之间的关系。该模型以完全无监督的、归纳式的方法学习出图的嵌入表示。一、

2021-08-10 15:17:15 423 1

原创 《Graph Neural Network for Interpreting Task-fMRI Biomarkers》阅读笔记

《Graph Neural Network for Interpreting Task-fMRI Biomarkers》前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言2019年MICCAI的文章,也是李霄霄大佬组的文章。Individual-level的,不过用的是任务态的核磁数据。一、pandas是什么?示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下(示例):import numpy as

2021-07-27 15:16:46 418 1

原创 《Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis》阅读笔记

《Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis》前言一、模型1.定义2.Convolutional Layer3.Pooling Layer(1).现存方法及其弊端(2).本文池化方法及其创新4.Readout Layer5.Loss Function(1).Distance Loss1). MDD Loss2).BCE Loss(2).Group-level Consistency Loss二、实验结果1.数据预处

2021-07-22 20:04:10 718 1

原创 《BrainNN》阅读笔记

《Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis》前言一、模型1.定义2.BrainNN3.损失函数二、实验1.对比实验2.消融实验3.可视化前言之前先看的《BrainNNExplainer》,里面用到的消息传递网络BrainNN就源于本篇文章。这篇文章也是顶会文章,Individual level的,创新点在于同时用了

2021-07-21 15:41:58 200

原创 《BrainNNExplainer》阅读笔记

《BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis》前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言又是一篇ICML的文章,individual-level的。一、pandas是什么?示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下(示例

2021-07-20 15:18:32 275

原创 《Effective and Interpretable fMRI Analysis via Functional Brain Network Generation》阅读笔记

《Effective and Interpretable fMRI Analysis via Functional Brain Network Generation》前言一、引入二、模型1.Feature Encoder2.Graph Generator3.Graph Predictor4.Loss Function三、实验1.对比直接用时间序列的模型2.对比用其他方法构建连接矩阵的模型3.消融实验4.可视化问题前言2021年ICML会议上的文章。不得不说,顶会文章的实验做的真的是很充分了。这篇是In

2021-07-18 21:15:51 315 4

原创 《Linear Graph Convolutional Model for Diagnosing Brain Disorders Zarina》阅读笔记

《Linear Graph Convolutional Model for Diagnosing Brain DisordersZarina》前言一、简要介绍二、实验1.模型2.特征及边三、实验结果总结Zarina》)前言很久没更新了,虽然最近有在读文章,但是一直懒得写。个人认为,这篇文章的创新点其实不大,只是把一些现存的东西应用到了医学领域。自己近期也在做类似的课题,并且还是有看了就忘的老毛病,所以记一些笔记让自己能更好的回顾。论文地址:https://link.springer.com/ch

2021-07-14 17:14:28 236 1

原创 《Self-Attention Graph Pooling》阅读笔记

《Self-Attention Graph Pooling》阅读笔记前言一、模型1.自注意图池化1).自注意力掩膜2).图池化3).SAGPool的变体1.多跳形式2.堆叠形式3.多头形式2.具体结构1).卷积层2).读出层3).全局池化模型4).层次池化模型二、实验1.数据集2.对比试验3.变体实验4.节点数的影响总结前言因为自己目前在做的实验也有可能涉及到图池化的方法,所以近期读的关于图池化的文章比较多。经常会在文章的相关工作中看到SAGPool,今天终于抽空把它看掉了。这篇文章最主要的贡献就是利

2021-06-16 17:44:08 914

原创 《Graph U-Nets》阅读笔记

《Graph U-Nets》阅读笔记前言一、U-Net二、Graph U-Net1.gPool2.gUnpool3.整体框架三、实验结果1.数据集2.性能测试3.消融实验4.连通性对性能的影响5.模型深度对性能的影响6.参数量对性能的影响前言U-Net 永远的神!!!!!!!碰巧上学期期末的时候,用U-Net做了一个肿瘤分割的作业,对U-Net了解了一些,所以这篇读起来并不是那么费劲。本文把U-Net的思想引入到了Graph里,设计了gPool和gUnpool结构,分别对应U-Net中的下采样和上

2021-06-12 21:18:37 495

原创 《Semi-Supervised Graph Classification: A Hierarchical Graph Perspective》阅读笔记

《Semi-Supervised Graph Classification: A Hierarchical Graph Perspective》前言一、介绍二、模型1.定义2.SAGE3.SEAL-CI4.SEAL-AI5.损失函数三、复杂度分析四、实验总结前言这篇论文对我来说有点难度,有些内容不是特别能理解。但是读都读了,不能白读,所以还是要做一下笔记。论文地址:https://arxiv.org/pdf/1904.05003.pdf一、介绍这篇文章主要解决的是半监督的图分类问题(有标签的

2021-06-11 15:56:54 719 2

原创 《Hierarchical Graph Pooling with Structure Learning》阅读笔记

《Hierarchical Graph Pooling with Structure Learning》阅读笔记文章目录《Hierarchical Graph Pooling with Structure Learning》阅读笔记前言一、解决了什么问题?二、解决方法(模型)1.模型概述2.符号定义3.图卷积层4.池化层1).图池化2).学习新结构5.读出层三、实验结果数据集:对比试验:消融实验:参数敏感性实验:可视化:总结前言本文章仅用于帮助自己回顾本篇文章,如有理解不到位之处,还请各位大佬

2021-06-05 21:52:58 972

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除