文章目录论文信息摘要FederatedScope-GNN（FGL）基于FederatedScope的开发GRAPHDATAZOOGNNMODELZOO联邦超参数优化（Hyper-parameterOptimization，HPO）监控与个性化隐私攻击及防御论文信息原文地址：https://doi.org/10.1145/3534678.3539112摘要Theincredibledevelopmentoffederatedlearning(FL)hasbenefitedvarioustasksinthedomainsofcomputervisionandnaturallanguageproce
图学习图神经网络算法专栏简介：主要实现图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶GNN模型（UniMP标签传播、ERNIESage）模型算法等，完成项目实战专栏链接：图学习图神经网络算法专栏简介：含图算法（图游走模型、图神经网络算法等）原理+项目+代码实现+比赛前人栽树后人乘凉，本专栏提供资料：快速掌握图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶GNN模型（UniMP标签传播、ERNIESage）模型算法，并在OGB图神经网络公认榜单上用小规模数据集（Cit
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网络基本知识2.1图基本模块定义2.2图神经网络要做的事情2.3邻接矩阵的定义2.3.1图数据的邻接矩阵2.3.2文本数据的邻接矩阵2.4GNN中的常见任务2.4.1Graph级别任务2.4.2Node与Edge级别任务2.5消息传递计算方法2.5.1优化邻接矩阵2.5.2点的特征重构2.6多层GNN的作用GNN输出特征的用处三、GCN详解3.1GCN基本模型概述3.1.1
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网络基本知识2.1图基本模块定义2.2图神经网络要做的事情2.3邻接矩阵的定义2.3.1图数据的邻接矩阵2.3.2文本数据的邻接矩阵2.4GNN中的常见任务2.4.1Graph级别任务2.4.2Node与Edge级别任务2.5消息传递计算方法2.5.1优化邻接矩阵2.5.2点的特征重构2.6多层GNN的作用GNN输出特征的用处三、GCN详解3.1GCN基本模型概述3.1.1
知识图谱实体对齐2：基于GNN嵌入的方法1导引我们在上一篇博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》中介绍了如何对基于平移嵌入+对齐损失来完成知识图谱中的实体对齐。这些方法都是通过两个平移嵌入模型来将知识图谱\(\mathcal{G}_1\)和\(\mathcal{G}_2\)的重叠实体分别进行嵌入，并加上一个对齐损失来完成对齐。不过，除了基于平移的嵌入模型之外，是否还有其它方式呢？答案是肯定的。目前已经提出了许多基于GNN的实体对齐方法[1]，这些方法不仅采用GNN捕捉更多的实体结构化信息，还通过诸如参数共享、参数交换等方式在embedding模块中就使实体的e
知识图谱实体对齐2：基于GNN嵌入的方法1导引我们在上一篇博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》中介绍了如何对基于平移嵌入+对齐损失来完成知识图谱中的实体对齐。这些方法都是通过两个平移嵌入模型来将知识图谱\(\mathcal{G}_1\)和\(\mathcal{G}_2\)的重叠实体分别进行嵌入，并加上一个对齐损失来完成对齐。不过，除了基于平移的嵌入模型之外，是否还有其它方式呢？答案是肯定的。目前已经提出了许多基于GNN的实体对齐方法[1]，这些方法不仅采用GNN捕捉更多的实体结构化信息，还通过诸如参数共享、参数交换等方式在embedding模块中就使实体的e
引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
作者：京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下，安全合规地联合训练业务模型，目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现，因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度，在诸如：异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。那么GNN与联邦学习的强强组合又会擦出怎样的火花？通常一个好的GNN算法需要丰富的节点特征与完整的连接信息，但现实场景中数据孤岛问题比较突出，单个数据拥有方往往只有有限的数据、特征、边信息，但我们借助联邦学习技术就可以充分利用各方数据
作者：京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下，安全合规地联合训练业务模型，目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现，因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度，在诸如：异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。那么GNN与联邦学习的强强组合又会擦出怎样的火花？通常一个好的GNN算法需要丰富的节点特征与完整的连接信息，但现实场景中数据孤岛问题比较突出，单个数据拥有方往往只有有限的数据、特征、边信息，但我们借助联邦学习技术就可以充分利用各方数据
