趋近智

所有课程

高级图神经网络：架构与实践

章节 1: 重温图神经网络基础

机器学习中的图表示

消息传递框架再看

图神经网络的谱图理论基础知识

图信号处理思想

表达能力与WL测试

章节 2: 高级图神经网络架构

图卷积网络 (GCN)

图注意力网络 (GAT)

在GAT中实现多头注意力

进阶谱GNN (ChebNet, CayleyNets)

进阶空间GNNs (GraphSAGE变体, PNA)

比较架构选择与权衡

动手实践：GAT层实现

章节 3: 应对GNN训练中的复杂性

过平滑问题

缓解过平滑的技术

过度挤压问题

处理大型图：可扩展性挑战

邻域采样技术 (GraphSAGE)

图采样技术 (GraphSAINT, ShaDow-GNN)

子图与聚类方法 (Cluster-GCN)

图神经网络的优化策略

实践：应用可扩展GNN训练

章节 4: 高级GNN任务与技术

处理异构图 (RGCN, HAN)

动态和时序图的建模

结合GNN的知识图谱嵌入

图生成模型

图上的自监督学习

图池化与读出函数

动手实践：异构图节点分类

章节 5: GNN实现、工具和优化

深度图库 (DGL) 高级功能

PyTorch Geometric (PyG) 高级功能

GNN的高效稀疏矩阵操作

GPU加速与内存管理

图神经网络的调试与可视化

基准测试与性能调优

图神经网络在生产系统中的应用

实践操作：优化GNN的实现

章节 2: 高级图神经网络架构

课程章节

2.1 图卷积网络 (GCN)
2.2 图注意力网络 (GAT)
2.3 在GAT中实现多头注意力
2.4 图Transformer
2.5 进阶谱GNN (ChebNet, CayleyNets)
2.6 进阶空间GNNs (GraphSAGE变体, PNA)
2.7 比较架构选择与权衡
2.8 动手实践：GAT层实现

© 2025 ApX Machine Learning