

必收藏！GNN五大模型架构(GCN、GAT、GraphSAGE、图Transformer、时空图网络)

首页  流程图  详情



必收藏！GNN五大模型架构(GCN、GAT、GraphSAGE、图Transformer、时空图网络)

2025-05-08 16:21:43   6  举报





本作品展示了图神经网络五大核心模型，包含 GCN（图卷积神经网络）、GAT（图注意力网络）、GraphSAGE（归纳学习）、Transformer（长程依赖优化）、时空图网络（STGNN）。

图神经网络

GNN

论文

算法

模型流程图

模版推荐

作者其他创作

大纲/内容

Graph Transformer

k=2

...

输出为节点的低维向量表示，可直接应用于下游任务（如链接预测、社区发现）

Temporalspan style=\"font-size:17px; color:#000000; letter-spacing:0px;\

输入层

GCN（Graph Convolutional Network）模型框架

)

1-DConv

}

span style=\"font-size:12px; color:#000000; letter-spacing:0px;\

k=1

Graph Transformer Layer（源于论文《A Generalization of Transformer Networks to Graphs》）

ST-Conv Block

span style=\"font-size:24px; color:#000000; letter-spacing:0px;\

Scaling

STGCN通过 “时间-空间-时间”分层卷积和残差瓶颈设计，实现了对复杂时空数据的高效建模。其核心价值在于：端到端联合学习：无需手工设计时空特征，直接从原始数据中提取模式。可扩展性：适配动态图结构（如交通网络的实时变化），支持多任务预测。鲁棒性：通过门控机制与残差连接应对数据噪声和长期依赖挑战。

Product

Graph Transformer 是一种结合 Transformer 自注意力机制与图结构先验知识的图神经网络模型，旨在同时捕获全局节点依赖关系和局部图拓扑特征。

GAT（Graph Attention Networks）算法原理图

Sum j

× L

GLU

Add & Norm

图注意力网络(GAT)

2. 聚合特征信息Aggregate feature information from neighbors

heads

3. 预测图上下文和标签Predict graph context and label using aggregated information

隐藏层

Softmax j

GraphSAGE

(

图卷积层2

输入Input

特征聚合

图卷积层1

aggregator1

× H

′

STGNN 时空网络

1. 邻域采样Sample neighborhood

{

Softmax

时空图卷积网络（STGCN）架构

输出Ouput

激活函数ReLU

label

Output Layer

输入为图的节点及其属性（如文本、数值特征）

aggregator2

预测与输出

图卷积神经网络(GCN)

concat/avg

输入与邻域采样

Spatialspan style=\"font-size:17px; color:#000000; letter-spacing:0px;\

TemporalGated-Conv

GraphSAGE（Graph Sample and Aggregator）的核心架构

layers

 Collect

Get Started

AI大模型技术架构全景视图

 Collect

Get Started

Transformer网络模型结构图

 Collect

Get Started

AI大模型Agent平台架构图_Agent_大模型应用

 Collect

Get Started

大模型中的核心概念与架构全解





0 条评论

下一页