收录了 gnn算法 频道下的 50 篇内容
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。
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。
Angel 3.0的目标是打造一个全栈的机器学习平台,功能特性涵盖了机器学习的各个阶段:特征工程、模型训练、超参数调节和模型服务。
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
本文介绍来自爱奇艺团队一篇论文,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。
作为开发者,了解学习到这十大技术,不仅可以了解技术产业前沿趋势,也是为未来职业生涯发展打基础。
本文介绍 GCN 如何直接通过对图的拓扑结构和顶点的属性信息进行学习来得到任务结果。
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。
深度学习之后,我们还应该做一些其他的尝试。
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。
本文带大家快速浏览昇思MindSpore全场景AI框架1.6版本的关键特性。
全新的昇思MindSpore全场景AI框架1.6版本已发布,此版本中昇思MindSpore全场景AI框架易用性不断改进,提升了开发效率,控制流性能提升并支持副作用训练
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?
4.图学习初探Paddle Graph Learning 构建属于自己的图【系列三】
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。
来自MIT斯坦福的图神经网络重磅综述
GNN崛起:未来我们需要基于图的全新计算模式,而不只是TensorFlow
本文基于 GNN 的无监督图表示学习进行讲解。
本文介绍美团在基于神经网络StarNet的行人轨迹交互预测算法的研究。