Resultado da Busca
知乎，让每一次点击都充满意义 —— 欢迎来到知乎，发现问题背后的世界。
10 gcn的可解释性. 前面的内容，已经介绍了gcn的基本原理以及一些特性的理解。这章节的内容是我个人的部分研究工作，将gcn应用于大规模交通路网速度预测问题中，通过参数的可视化，给出了所提出深度学习模型的可解释性分析。
GCN采取的解决办法其实很容易理解，既然CNN是聚合像素点邻居的特征，那对于图谱就可以 聚合每个节点邻居节点的信息，CNN是利用卷积核卷积进行信息的聚合，而GCN也设计了一个公式用于聚合图节点的邻居特征，这一个公式就是整个GCN的核心。. GCN中图节点的卷 ...
图卷积神经网络（GCN）可以运用Grad-Cam进行可解释性分析吗？. - 知乎. 图卷积神经网络（GCN）可以运用Grad-Cam进行可解释性分析吗？. 肯定可以呀， GCN 的推理过程中，梯度传递地很平稳，你别用不可导的 OP （index， sample 等）去构建计算图就行，具体的一个例子 ...
图卷积神经网络 (GCN) 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 1 什么是离散卷积？. CNN中卷积发挥什么作用？. 了解GCN之前必须对离散卷积（或者说CNN中的卷积）有一个明确的认识： 如何通俗易懂地 …. 答案从傅立叶变换出发到拉普拉斯矩阵最后 ...
本文讲的gcn 来源于论文：semi-supervised classification with graph convolutional networks，这是在gcn领域最经典的论文之一。 我们可以根据这个GCN的图看到，一个拥有 个input channel的graph作为输入，经过中间的hidden layers，得到 个 output channel的输出。
GCN的最佳层数应该和构建图的邻居矩阵的稀疏程度有关系，当图的稀疏度较低时，很快会出现过平滑现象，使用多层反而效果不好。. 至于为何使用两层效果最佳，可能是大多数实验证明两层效果最好，属于常规任务的经验值吧。. 而根据理论证明，当GCN的层数 ...
16 de nov. de 2023 · 另外海外观众认为discovery+不能保证做到原本gcn一样完整的观赛体验。 综合来看，GCN+确实给大家带来了非常好的体验，新平台的不确定性是给观众们最大的担忧。 价格上部分地区可能更便宜了，也有的变贵了，年度的折扣的不确定性也增加了。 题外话
Inductive学习指的是训练出来的模型可以适配节点已经变化的测试集，但GCN由于卷积的训练过程涉及到邻接矩阵、度矩阵（可理解为拉普拉斯矩阵），节点一旦变化，拉普拉斯矩阵随之变化，也就是你说的需要“重新计算前面的归一化矩阵”，然后重新训练模型，不能“活学活用”，所以是Transductive的。
图卷积网络（GCN）旨在通过聚合节点的邻居来获得节点的表示，它在处理图（网络）数据的各种分析任务方面表现出了强大的能力。. GCN的卓越性能通常依赖于网络的同质假设，而这种假设并不总是可以满足的，因为异质性或随机性在现实世界中也很普遍。. 这就 ...
