HAN -
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 2/5
- Tempo stimato
- 1-3 ore
- Idoneità per principianti
- 45/100
- Tipo di issue
- Documentazione
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Ferma
- Stack tecnologico
- machine-learning, python
- Ambito
- documentation, machine-learning
Direzione di ricerca
Start with Chapter 12, page 209, and reference [5], then compare the cited paper with the HAN architecture described and implemented in the chapter. Done means the reference identifies the Heterogeneous Graph Attention Network paper that matches the chapter, with the surrounding attribution corrected as needed.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Thank you for all this work!
In the book, Chapter 12, page 209, where a "Hierarchical self-Attention Network" (HAN) model was introduced to handle heterogeneous graphs, the reference [5] (J. Liu, Y. Wang, S. Xiang, and C. Pan. HAN: An Efficient Hierarchical Self-Attention Network for Skeleton-Based Gesture Recognition. arXiv, 2021. DOI: 10.48550/ARXIV.2106.13391. Available: https://arxiv.org/abs/2106.13391) points to a different architecture than the one actually implemented in Chapter 12.
Instead, all mathmetical presentations, down to the diagram illustrating 3-level architecture (node level, semantic level and prediction) seem to be directly borrowed from HAN for "Heterogeneous graph attention network": by Xiao Wang, Houye Ji, Chuan Shi, Bai Wang, Yanfang Ye, Peng Cui, and Philip S Yu. 2019.
Here is the actual paper: https://par.nsf.gov/servlets/purl/10135600,
Hope this helps.
- Lingua principale
- Jupyter Notebook
- Stelle
- 1.1k
- Fork
- 300
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python
-
CIDDS-001 Graph CreationAperta
Difficoltà 3/5 1-2 giorni Idoneità per principianti 55/100
PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python#22 ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 30/100
PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python#20 ·
-
HTTP Error 404: Not FoundAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 35/100
PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python#19 · 2 commenti ·
-
Book Cover image misallignedAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 35/100
PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python#18 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 30/100
PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python#15 ·
Tutte le issue di PacktPublishing/Hands-On-Graph-Neural-Networks-Using-Python
Issue simili
-
Link Checker ReportApertaautomated issue linkchecker report
Difficoltà 2/5 1-3 ore Idoneità per principianti 66/100
QuantEcon/lecture-python.myst#1098 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 82/100
OpenShot/openshot-qt#6230 ·
I maintainer di solito rispondono entro 1 giorno
-
area: docs difficulty: easy documentation first-timers-only good first issue help wanted
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
hayagrivai-labs/phantom#123 ·
I maintainer di solito rispondono entro 1 giorno
-
self-driving
Difficoltà 1/5 1-3 ore Idoneità per principianti 86/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 68/100
yazi-rs/yazi-rs.github.io#438 ·