graph-convolutional-networks

Bibliothèque de réseaux de neurones sur graphes (GNN) pour PyTorch

Liens vers des publications de conférences sur l'apprentissage profond basé sur les graphes.

StellarGraph - Apprentissage automatique sur les graphes

PyTorch Geometric Temporal : Traitement de signaux spatio-temporels avec des modèles d'apprentissage automatique neuronal (CIKM 2021).

Une liste organisée de documents et ressources sur la détection de fraude, d'anomalies et de valeurs aberrantes basés sur les graphes et les Transformers

Implémentation PyTorch et explications d'articles sur l'apprentissage de représentations de graphes : DeepWalk, GCN, GraphSAGE, ChebNet et GAT.

Une bibliothèque adversarial PyTorch pour les méthodes d'attaque et de défense sur les images et les graphes

[IEEE T-KDE 2026] Awesome Deep Graph Clustering est une collection de méthodes de pointe et innovantes en clustering de graphes profonds (articles, codes et jeux de données).

A list of recent papers about Graph Neural Network methods applied in NLP areas.

Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphes et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'exploration de règles bayésiennes, et la description pour la diversité/explication/interprétabilité. Analyse de l'intégration des retours d'étiquetage avec des détecteurs d'ensemble et basés sur des arbres. Inclut des attaques adverses avec Graph Convolutional Network.

ICLR 2020 : Réseaux de convolution de graphiques multirelationnels basés sur la composition

Ce dépôt contient la collection d'apprentissage profond basé sur les graphes pour les réseaux de communication.

Une implémentation TensorFlow de réseaux de neurones convolutifs sur graphes de connaissances