本篇论文是2016ICML上的一篇论文,对于如何将cnn应用在graph上提供了一种新的思路。
架构:
总体上讲,就是用w个固定size=(k+1)的子图来表示输入的graph,再将这w个子图正则化后,生成一个w(k+1)维的向量,作为传统的cnn的输入,进行学习。其实就是做了一个从graph到向量的映射的一个预处理过程。
算法流程
输入:任意一张图
输出:每个channel输出w个receptive field
Step1: graph labeling(对图的节点做标记,比如可以用节点的度做标记,做图的划分,也 可以叫做color refinement or vertex classification)
文中采用The Weisfeiler-Lehman algorithm做图的划分。由此可以得到每个节点的rank 值(为了不同的图能够有一个规范化的组织方式)
Step2:对labeling好的节点排序,取前w个节点,作为处理的节点序列。(这样就可以把不 同size的graph,变成同一个size)若不足w个节点,则,在输出中加全零的receptive field,相当于padding
Step3:采用stride=s