Graph
经典的Graph Embedding方法：DeepWalk 和 Node2vec
DeepWalk Deep Walk，它是 2014 年由美国石溪大学的研究者提出的。它的主要思想是在由物品组成的图结构上进行随机游走，产生大量物品序列，然后将这些物品序列作为训练样本输入 Word2vec 进行训练，最终得到物品的 Embedding Node2vec 2016 年，斯坦福大学的研 ......
Combining Label Propagation and Simple Models Out-performs Graph Neural Networks
[TOC] > [Huang Q., He H., Singh A., Lim S. and Benson A. R. Combining label propagation and simple models out-performs graph neural networks. ICLR, 20 ......
POJ1737 Connected Graph ( n点无向连通图计数
题意说明:求 $n$ 个点的无向连通图个数 据说已经非常典了,但是我太菜了不会组合数学,最近补档时看到这道题,决定记录下来理理思路  表示 n 个点的有向完全图，然后输入 n*n 的邻接矩阵 a，其中 a[i][j] 表示 i 到 j 的边权，范围 [1,1e5]（特例是 a[i][i]=0）。 图的节点编号从 1 开始。 然后输入 1~n 的排列，表示我 ......
Codeforces Round 847 (Div. 3) G.Tokens on Graph （构造）
传送门 题目大意 ** 给定一个无向图，我们定义图中有四种点，一种是黑色的点表示终点，并且黑色的点始终是1号点，一种是红色的点，一种是灰色的点，最后一种就是没有颜色的点。** ** 游戏规则：我们必须移动任意一个灰色的点到相邻的点上，如果灰色的点移动到了红色的点上，那么我们可以移动其他灰色的点继续上 ......
spectral-graph-theory-in-GCN
GCN 中的谱图理论笔记 Datetime: 2023-04-26T09:36+08:00 Categories: MachineLearning Tags: GNN 写毕设，发现自己没法绕过第一代 GCN 的谱图变换原理 我知道啥是傅里叶变化，但是我感觉不到那种新奇，或许这就是无法感觉到数学的美吧 ......
Invariant and Equivariant Graph Networks
Maron H., Ben-Hamu H., Shamir N. and Lipman Y. Invariant and equivariant graph networks. ICLR, 2019. 概 有些时候, 我们希望网络具有: 不变性 (Invariant): $$ f(PX) = f(X ......
图（Graph）与图论
听到图这个字，很多人会联想到图片、折线图、设计图等传统的图，今天要聊的图（Graph）是一种基本研究对象，用于表示实体与实体之间的关系。 先说结论： 图论：是组合数学分支，是主要研究图的学问，起源于柯尼斯堡七桥问题。 图（数学）：是用于表示物体与物体之间存在某种关系的结构。数学抽象后的“物体”称作节 ......
题解：【CF235D】Graph Game
题目链接 根据期望的线性性，一次操作使得接下来要递归处理 $|G|$ 个点，将这些贡献分摊到 $|G|$ 个点上，这样我们接下来只需要计算概率。 首先考虑如果是树怎么做。操作等价于随机一个排列，顺次删掉排列中的点，并求出删掉当前点之前其所处的连通块的大小。记当前 $x$ 为点分治中心，点对 $(x, ......
Graph Travarsal All In One
Graph traversal All In One 图遍历 js / ts demos --> (🐞 反爬虫测试！打击盗版⚠️）如果你看到这个信息, 说明这是一篇剽窃的文章，请访问 https://www.cnblogs.com/xgqfrms/ 查看原创文章！ refs ©xgqfrms 20 ......
Layer-Dependent Importance Sampling for Training Deep and Large Graph Convolutional Networks
Zou D., Hu Z., Wang Y., Jiang S., Sun Y. and Gu Q. Layer-dependent importance sampling for training deep and large graph convolutional networks. NIPS, ......
Codeforces Round 550 (Div. 3) F. Graph Without Long Directed Paths（dfs/染色）
https://codeforces.com/contest/1144/problem/F 题目大意： 给定n个点，m条边； 每一条边都连接了两个点。 现在需要我们染色，要求是做到所有有向图不包含长度为2或者更长的路径。 input 6 5 1 5 2 1 1 4 3 1 6 1 output YE ......
Heterogeneous Graph Attention Network
Wang X., Ji H., Shi C., Wang B., Cui P., Yu P. and Ye Y. Heterogeneous graph attention network. WWW, 2019. 概 Attention + 异构图. 符号说明 $\mathcal{G} = (\ma ......
Heterogeneous Deep Graph Infomax
Ren Y., Liu B., Huang C., Dai P., Bo L. and Zhang J. Heterogeneous deep graph infomax. arXiv preprint arXiv:1911.08538, 2019. 概 本文介绍了异构图的一种无监督学习方法. 这里 ......
AtCoder Regular Contest 105 E Keep Graph Disconnected
洛谷传送门 AtCoder 传送门 显然终止态是只剩两个连通块，一个包含 $1$ 另一个包含 $n$，并且两个连通块内的边数均为 $\frac{sz(sz-1)}{2}$。 如果只在连通块内连边，那么能连的边的总数是 $\frac{n(n-1)}{2} - \sum\limits_{i=1}^{cn ......
Multi-View Attribute Graph Convolution Networks for Clustering
论文阅读04-Multi-View Attribute Graph Convolution Networks for Clustering：MAGCN 论文信息 论文地址：Multi-View Attribute Graph Convolution Networks for Clustering | ......
Deep graph clustering with enhanced feature representations for community detection
论文阅读03-EFR-DGC:Enhanced Feature Representations for Deep Graph Clustering 论文信息 论文地址：Deep graph clustering with enhanced feature representations for co ......
Attributed Graph Clustering |A Deep Attentional Embedding Approach
论文阅读01-Attributed Graph Clustering: A Deep Attentional Embedding Approach 1. 创新点idea Two-step的图嵌入方法不是目标导向的，聚类效果不好，提出一种基于目标导向的属性图聚类框架。 所谓目标导向，就是说特征提取和聚 ......
FastGCN Fast Learning with Graph Convolutional Networks via Importance Sampling
Chen J., Ma T. and Xiao C. FastGCN: fast learning with graph convolutional networks via importance sampling. ICLR, 2018. 概 一般的 GCN 每层通常需要经过所有的结点的 prop ......
Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning
Li Q., Han Z. and Wu X. Deeper insights into graph convolutional networks for semi-supervised learning. AAAI, 2018. 概 本文分析了 GCN 的实际上就是一种 Smoothing, 但是 ......
Stochastic Training of Graph Convolutional Networks with Variance Reduction
Chen J., Zhu J. and Song L. Stochastic training of graph convolutional networks with variance reduction. ICML, 2018. 概 我们都知道, GCN 虽然形式简单, 但是对于结点个数非常多的 ......