首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

NetworkX:无向赋权图的近似/不精确子图同构

NetworkX是一个用于创建、操作和研究复杂网络的Python库。它提供了一种灵活且高效的方式来构建和分析各种类型的网络,包括无向赋权图。

无向赋权图是一种网络结构,其中的节点之间存在连接,并且每条连接都有一个权重或距离值。这些权重可以表示节点之间的关系强度、距离或其他度量。无向赋权图可以用于模拟各种现实世界的情况,例如社交网络、交通网络、电力网络等。

近似/不精确子图同构是指在给定的两个图中,寻找一个子图,使得该子图在结构上与另一个图相似,但不需要完全相同。这种方法可以用于在大型网络中查找相似的子结构,以便进行数据分析、模式识别或其他应用。

NetworkX提供了一些用于近似/不精确子图同构的算法和函数。其中一种常用的算法是基于图的同构性谱的方法,它可以通过计算图的谱特征来比较两个图的相似性。此外,还有一些其他的算法和技术可用于解决这个问题,例如基于图匹配的方法、基于子图同构的方法等。

腾讯云提供了一些与网络相关的产品,可以用于构建和管理复杂网络环境。例如,腾讯云的云服务器(CVM)可以用于部署和管理网络服务器,腾讯云的负载均衡(CLB)可以用于分发网络流量,腾讯云的弹性公网IP(EIP)可以用于为网络资源提供公网访问等。

更多关于腾讯云的产品和服务信息,您可以访问腾讯云官方网站:https://cloud.tencent.com/

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 腾讯AI Lab联合清华,港中文长文解析图深度学习的历史、最新进展到应用

    本文作者: 腾讯:荣钰、徐挺洋、黄俊洲;清华大学:黄文炳;香港中文大学:程鸿 前言 人工智能领域近几年历经了突飞猛进的发展。图像、视频、游戏博弈、自然语言处理、金融等大数据分析领域都实现了跨越式的进步并催生了很多改变了我们日常生活的应用。近段时间,图神经网络成为了人工智能领域的一大研究热点,尤其是在社交网络、知识图谱、化学研究、文本分析、组合优化等领域,图神经网络在发掘数据中隐含关系方面的强大能力能帮助我们获得更好的数据表达,进而能让我们做出更好的决策。比如通过图神经网络梳理人类社会关系网络的演变

    0156

    Nat. Mach. Intell. | MolCLR:一个用于分子表征学习的自监督框架

    今天介绍的是卡内基梅隆大学化学工程系的Amir Barati Farimani 教授最新发表在 Nature Machine Intelligence上的文章 ”Molecular contrastive learning of representations via graph neural networks”. 该文提出一种自监督的图神经网络框架MolCLR,利用大量无监督的标签进行自监督学习,有效缓解了因为数据标记有限而阻碍将分子机器学习推广到巨大的化学空间的难题。同时,本文提出了三种全新的分子图的增强方法:原子屏蔽、键删除以及子图删除,所提的分子图增强方法保证了增强时同一分子的一致性最大化以及不同分子一致性的最小化。实验表明,MolCLR 大大改善了 GNN 在各种分子特性基准上的表现。

    04

    NeurIPS| 利用条件图逻辑网络进行逆合成预测

    今天给大家介绍的是Google Research和蚂蚁金服等团队在NeurlPS发表的一篇名为“Retrosynthesis Prediction withConditional Graph Logic Network”的文章。逆合成分析属于有机化学中的基本问题,在机器学习领域也引起广泛关注。文章中,作者把逆合成的任务描述为“在确定的分子空间中寻找可以用来合成产物分子的反应物分子集合”这一问题。大多数现有的方法依赖于子图匹配规则的基于模板的模型,但是化学反应是否可以进行并不是严格由决策规则定义的。在文章中,作者提出了一种使用条件图逻辑网络来完成这项任务的新方法,它可以学习何时应该应用反应模板中的规则,隐式地考虑所产生的反应是否具有化学可行性和策略性。作者还提出了一种有效的分层抽样来减少计算成本。在基准数据集上,与当时最先进的方法相比,作者的模型实现了8.1%的显著改进,同时还提供了对预测的解释。

    02

    剑桥 | 《图神经网络几何图处理》,Chaitanya K. Joshi主讲,附视频与Slides

    几何图是一种空间嵌入图,用于生物化学、物理模拟和多智能体机器人系统建模。重要的是,图的属性会随着全局欧氏变换或系统的对称性进行变换,例如旋转、反射和平移。具有全局对称性的图神经网络(GNN)已经成为几何图的架构选择。本讲座将介绍两类几何GNNs:(1)等变GNNs,使用全局对称等变的标量和几何特征;(2)不变GNN,它只通过不变标量(如距离和角度)进行局部推理。此外,我们将从区分几何图形的角度研究这两类几何gnn的表达能力,即图同构检验。我们将介绍几何威斯菲勒-勒曼图同构检验(GWL)。然后,我们将使用GWL框架正式表明,等变GNN比不变GNN具有更强的表达能力,因为它们能够传播超越局部邻域的几何信息,并组成构建远程交互。

    02

    CIKM'21 多关系图神经网络的社区问答

    为了研究像Stack Overflow这样的社区问答(CQA)平台,人们提出了各种数据挖掘任务。这些任务之间的相关性通过多任务学习(MTL)为彼此提供了有用的学习信号。然而,由于这些任务的高度异质性,很少有现有的工作能够在一个统一的框架中共同解决它们。为了解决这一难题,我们开发了一种基于多关系图的MTL模型——异构多任务图同构网络(Heterogeneous Multi-Task graph Isomorphism Network, HMTGIN),该模型有效地解决了异构CQA任务。在每次训练前向传递中,HMTGIN通过图同构网络的扩展和跳跃连接嵌入输入的CQA论坛图。嵌入然后在所有特定任务的输出层共享,以计算各自的损失。此外,利用两个基于任务关系领域知识的跨任务约束对联合学习进行正则化。在评估中,嵌入在不同的任务特定的输出层之间共享,以做出相应的预测。据我们所知,HMTGIN是第一个能够从多关系图的角度处理CQA任务的MTL模型。为了评估HMTGIN的有效性,我们从Stack Overflow中构建了一个具有200多万个节点的大规模多关系图CQA数据集。大量实验表明: (1) HMTGIN在5个任务上优于所有基线; (2) 提出的MTL策略和跨任务约束具有显著优势。

    01
    领券