收录了 gnn 频道下的 50 篇内容
来自MIT斯坦福的图神经网络重磅综述
本文基于 GNN 的无监督图表示学习进行讲解。
本文是一篇稍有深度的教程,假设读者具备图神经网络的基础知识和一点计算化学的知识。
通过图神经网络对边界和内容预测之间的关系进行建模,生成更精确的时序边界和可靠的内容置信度分数
本文是AI前线第74篇论文导读,我们将深入了解阿里图神经网络库AliGraph背后的系统架构细节和内部自研的GNN算法原理。
深度学习之后,我们还应该做一些其他的尝试。
2019 年图神经网络有哪些研究成果值得关注?2020 年它又将朝什么方向发展?
本文将探讨AliGraph 的架构设计原则、AliGraph 项目在阿里巴巴的落地应用和图神经网络目前面临的挑战。
摘要:本文介绍了图神经网络在学界和业界的发展情况,并给出了图神经网络的基本概念与表示形式,总结了图神经网络的变体,最后介绍了华为云图神经网络框架。
同构邻居q2q & i2i相比异构邻居q2i & i2q效果更明显。可能的原因是q2i & i2q数据比较稀疏,经过统计发现其存在50%左右的结点邻居个数不足5个,而q2q & i2i只有15%左右的这样的结点,更多的数据则意味着更多的信息,详情见图 4.1。
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。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。
GNN崛起:未来我们需要基于图的全新计算模式,而不只是TensorFlow
图神经网络架构的深度能否带来任何优势?
本文分别解读了蚂蚁金服本次入选KDD的三篇优秀论文,给大家分享数据挖掘+人工智能是如何保护大家账户安全、识别保险欺诈、对用户进行个性化推荐的~
本文主要分享 "全能选手" 召回表征算法实践。包括:召回表征究竟是要解决什么问题,召回表征的价值或收益是什么,业务落地的案例。
本文基于应用实践介绍其中的算法实现逻辑,及搜索和推荐系统模型。
项目链接:一键fork直接跑程序 https://aistudio.baidu.com/aistudio/projectdetail/5054122?contributionType=1
本文是一个基于 NebulaGraph 上图算法、图数据库、机器学习、GNN 的推荐系统方法综述,大部分介绍的方法提供了 Playground 供大家学习。
随着eBay全球支付管理系统的推广,为其保驾护航的支付风控体系在保护用户资金安全,防止盗卡盗号,减少平台损失方面起着至关重要的作用。
京东的9N算法框架已经被广泛应用于推荐广告、搜索广告、以及其他的站内外广告场景。基础介绍算法建模:BVSHG