CS224W-图神经网络 笔记3.2：Motifs and Structural Roles in Networks - 网络的结构（Structural Roles）
CS224W-图神经网络 笔记3.2：Motifs and Structural Roles in Networks - 网络的结构（Structural Roles）
本文总结之日CS224W Winter 2021只更新到了第四节，所以下文会参考2021年课程的PPT并结合2019年秋季课程进行总结以求内容完整
课程主页：CS224W: Machine Learning with Graphs
视频链接：【斯坦福】CS224W：图机器学习( 中英字幕 | 2019秋)
文章目录
- CS224W-图神经网络 笔记3.2：Motifs and Structural Roles in Networks - 网络的结构（Structural Roles）
- 1 引言
- 2 一些新概念（what）
- 2.1 为什么Roles很重要？（why）
- 2.2 怎么找到Structural Roles？（how）
- 2.2.1 通过 RolX 方法[1]
- 2.2.2 流程说明：
- 2.2.2.1 递归特征抽取
- 2.2.2.2 算法步骤
- 2.2.2.3 角色抽取
- 2.3 应用举例
- 3 总结
- 4 参考文章
1 引言
工作中， 我们因为所处的岗位不同，公司中扮演的角色（Role）也不尽相同。而在网络中，节点的拓扑结构，决定了节点的角色也是不一样的。这就是本节要研究的内容——Structural Roles。
2 一些新概念（what）
角色（Role）：具有相似结构特征的节点集合，不要求彼此相连。
社区（communities ）：结构上，内部连通，内部可达的子图。
角色（Roles） 和 社区（communities ）之间还是有明显区别。两者概念上是互补。
例如，对于计算机学院的社交网络而言：
- 角色Roles：有教员、工作人员、学生
- 社区：有AI研究室、信息研究室、理论研究室等
结构等价（Structural equivalence）：若节点u和节点v与所有其他节点拥有相同的关系，则称节点u和节点v结构等价。
换句话说：对所有的其他节点集
CS224W-图神经网络 笔记3.2：Motifs and Structural Roles in Networks - 网络的结构（Structural Roles）相关推荐
- CS224W-图神经网络 笔记3.1：Motifs and Structural Roles in Networks - 网络的结构（Motifs and Graphlet）
CS224W-图神经网络 笔记3.1:Motifs and Structural Roles in Networks - 网络的结构(Motifs and Graphlet) 本文总结之日CS224W ...
- cs224w 图神经网络 学习笔记（三）Motifs and Structural Roles in Networks
课程链接:CS224W: Machine Learning with Graphs 课程视频:[课程]斯坦福 CS224W: 图机器学习 (2019 秋 | 英字) 这一课主要是讲 子图(subnet ...
- CS224W图机器学习笔记8-图神经网络三大应用
图神经网络 课程和PPT主页 Prediction with GNNs 目前我们只学习了从输入图->节点嵌入,也就是学习图神经网络怎么获取节点嵌入,并没有学习针对特定下游任务的一些内容(从节点嵌 ...
- 图神经网络笔记（二）——卷积图神经网络概述
文章目录 基于谱分解的方法 Spectral Network ChebNet GCN AGCN(Adaptive GCN) 基于空间结构的方法 Neural FP PATCHY-SAN DGCN LG ...
- 图神经网络笔记（一）
图是一种数据结构,它对一组对象(节点)及其关系(边)进行建模.近年来,由于图结构的强大表现力,用机器学习方法分析图的研究越来越受到重视.图神经网络(GNN)是一类基于深度学习的处理图域信息的方法.由于 ...
- 斯坦福CS224W图机器学习笔记自用：A General Perspective on Graph Neural Networks
1. Recap Deep Graph Encoders(深度图编码器) Graph Neural Networks GNN核心思想:节点的邻域定义了一个计算图 Aggregate from Neig ...
- 图神经网络（十八）GEOM-GCN: GEOMETRIC GRAPH CONVOLUTIONAL NETWORKS
本文收录于ICLR2020,作者是吉林大学的杨博老师.我们知道,GCN的本质其实是消息传递神经网络,但是MPNN有着两个基本缺陷限制了其表示图结构信息的能力:丢失邻域中节点的结构信息,以及不能捕获异类 ...
- 基于图神经网络的对抗攻击防御 GNNGUARD: Defending Graph Neural Networks against Adversarial Attacks
参考资料 项目:https://zitniklab.hms.harvard.edu/projects/GNNGuard/ 代码:https://github.com/mims-harvard/GNNG ...
- CS224W图机器学习笔记自用：GNN Augmentation and Training
Recap: today's outline: (4)Graph augmentation (5)Learning objective 1. GNN 的图增强(Graph Augmentation f ...
最新文章
- Java_apply_in_automatic_system
- 工厂方法模式与IoC/DI
- 吴恩达机器学习作业思路整理
- 《C++ Primer》8.1.2节练习
- 【编译原理笔记11】中间代码生成：类型表达式，声明语句的翻译
- [itint5]交替字符串
- 异步IO框架实现之完成端口（Completion Port）
- 迷你世界勒索病毒，你的文件被删了吗？
- 别再说不知道元空间和永久代的区别了
- mysql 安装没有my.cnf_Linux安装mysql没有my.cnf文件
- adb常用的命令【杭州多测师_王sir】【杭州多测师】
- 基于BERT的新闻文本分类
- Word2vec 计算两个文本之间相似度
- Element-ui组ICON图标
- Arxiv | 预测新型蛋白质间相互作用的图神经网络模型
- 连接请求被计算机拒绝访问,Windows 10共享打印机解决方案被拒绝访问
- 女人本性的47个心理阴暗面 承受力差的谨慎阅读
- Memcached哈希性能优化(八)——总结报告
- R树：处理空间存储问题
- NetWorker Pro for mac(网络流量监控软件)