目录1、简介2、曲率视角下的图数据建模与分析华为简介编辑 曲率背景建模分析 小结3、参考1、简介报告嘉宾：周敏（华为诺亚方舟实验室）报告题目：曲率视角下的图数据建模与分析报告摘要：曲率描述了物体的“弯曲”程度。基于不同空间的建模蕴含了对数据分布的不同假设，“弯曲”的曲率空间（如双曲空间和球形空间）由于具备更强的表征能力受到了广泛的关注。本次的讲座首先会介绍曲率的概念以及不同曲率下的连续空间和网络数据的形态，并进一步介绍曲率在图数据建模与分析中的相关应用与研究。报告人简介： 周敏华为诺亚方舟实验室高级研究员。本科毕业于中国科学技术大学自动化系，博士毕业于新加坡国立大学工业系统工程与管理系。主
导言:本文主要使用Pytorch和Numpy实现图的AdjacencyMatrix与COO稀疏矩阵（edge_index,和edge_w）相互转化1.图的两种表示方式1.1普通邻接矩阵AdjacencyMatrix本文所指的图是指UndirectedgraphG(V,E)，并且AdjacencyMatrix如下图F所示。1.2图的边的连接度和连接权重 edge_index,edge_w，即COO稀疏矩阵图还可以使用edge_index和edge_w表示，edge_index为2*n的矩阵，edge_w为1*n的矩阵。2.实现代码importtorchimportscipy.sparseass
笔记整理：李继统，天津大学硕士链接：https://arxiv.org/pdf/2104.06378.pdf1.动机目前现有的方法，对于QA上下文使用LM处理，对于KG使用GNN进行处理，并且并不相互更新彼此的表示，也不做语义的对齐表示。因此QA上下文与KG的分离表示可能会限制模型执行结构化推理的能力（比如处理否定问题）。因此本篇工作主要在于QA上下文与KG的融合表示。2.亮点基于知识图谱的问答（KBQA）集中于知识图谱上的多跳推理以及语言模型与知识图谱的融合，目前的方法需要解决两个问题：（1）在给定上下文的条件下，如何从规模巨大的知识图谱中检索出相关的知识。（2）如何进行问答上下文与知识图谱
文章目录AccurateDecentralizedApplicationIdentificationviaEncryptedTrafficAnalysisUsingGraphNeuralNetworks摘要存在的问题论文贡献1.背景/威胁模型2.DApp流的图结构3.GraphDApp4.实验评估5.移动应用识别评价总结论文内容工具数据集AccurateDecentralizedApplicationIdentificationviaEncryptedTrafficAnalysisUsingGraphNeuralNetworks中文题目：通过使用图神经网络的加密流量分析来准确地识别分散应用程序
【GNN/深度学习】常用的图数据集（图结构）文章目录【GNN/深度学习】常用的图数据集（图结构）1.介绍2.图数据集2.1Cora2.2Citeseer2.3Pubmed2.4DBLP2.5ACM2.6AMAP&AMAC2.7WIKI2.8COCS2.9BAT2.10EAT2.11UAT2.12Corafull3.如何读取文件4.下载链接5.参考1.介绍近年来，深度学习越来越关注图方向的任务，通过利用图神经网络去挖掘现实中各种可以利用图来表示事物（社交网络，论文引用网络，分子结构）等等，来学习更好的表示，去实现下游任务。图数据是由一些点和一些线构成的，能表示一些实体之间的关系，图中的点就是实体
如果你有一定神经网络的知识基础，想学习GNN图神经网络，可以按顺序参考系列文章：深度学习GNN图神经网络（一）图的基本知识深度学习GNN图神经网络（二）PyTorchGeometric（PyG）安装深度学习GNN图神经网络（三）模型原理及文献分类案例实战一、前言本文介绍GNN图神经网络的思想原理，然后使用Cora数据集对其中的2708篇文献进行分类。用普通的神经网络与GNN图神经网络分别实现，并对比两者之间的效果。二、总体思想GNN的作用就是对节点进行特征提取，可以看下这个几分钟的视频《简单粗暴带你快速理解GNN》。比如说这里有一张图，包含5个节点，每个节点有三个特征值：节点A的特征值xa=[
Agentleintroductionongnn前言发表在distill的文章图神经网络在应用上才刚刚开始搭建了一个GNNplayground什么是图图是表示实体之间的关系可以分别表示成点向量、边向量、图向量图可以分为有向图和无向图数据是怎么表示成图图片表示成图：把图上的每一个像素都映射成图上的一个点边是像素之间的关系文本表示成图：上一个词和下一个词之间有一条有向边化学表示图：每一个原子表示成一个点社交网络表示成一个图：人物在场景里同时出现数据集：Qm9化学分子式Cora论文引用wikipedia知识图引用图在图上可以定义什么问题图层面比如给一张图，对图进行分类顶点层面节点分类边层面边的属性预
背景ICDM2022:大规模电商图上的风险商品检测，要求在一张异构图上跑点分类，由于是异常检测，正负样本数据集在1比10，记录一下初赛过程。数据过程赛事官方开源了PyG实现的baseline，拿过来直接用于预处理数据了，将图结构进行预处理后得到pt文件，使用pt文件做后续处理：graph=torch.load(dataset)//dataset="xxx.pt"graph[type].x=[num_nodes,256]点数*特征维度graph[type].y=[num_nodes]标签=labelgraph[type].num_nodes=数量graph[type].maps=id离散化映射：
ACMSIGKDD（国际数据挖掘与知识发现大会，KDD）会议始于1989年，是数据挖掘领域历史最悠久、规模最大的国际顶级学术会议，也是首个引入大数据、数据科学、预测分析、众包等概念的会议。今年的KDD大会是第29届，于8月6日-10日在美国加州长滩举办。大会包含研究方向（Research）和应用数据科学方向（AppliedDataScience，ADS）两个track。随着会议的进行，各大奖项也开始逐一揭晓。其中来自香港中文大学、香港科技大学（广州）、东南大学、同济大学的研究者获得了研究方向最佳论文奖；来自谷歌的研究者获得了应用数据科学方向最佳论文奖；斯坦福大学（于今年1月获得学位）博士Wei
下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。数据集1、脑电项目探索和实现(EEG)(上)：研究数据集选取和介绍SEED相关论文阅读分析：1、EEG-SEED数据集作者的—基线论文阅读和分析2、图神经网络EEG论文阅读和分析：《EEG-BasedEmotionRecognitionUsingRegularizedGraphNeuralNetworks》3、EEG-GNN论文阅读和分析：《EEGEmotionRecognitionUsingDynamicalGraphConvolutionalNeuralNetworks》4、论文阅读和分析:Mas
