DeepLearning | 图卷积神经网络(GCN)解析(论文、算法、代码)

最新推荐文章于 2025-03-19 15:46:17 发布

Liangjun_Feng

最新推荐文章于 2025-03-19 15:46:17 发布

阅读量1.2w

点赞数 46

分类专栏： Deep Learning | 卷积网络及编程框架文章标签： gcn 图卷积网络深度学习人工智能代码

本文为博主原创文章，转载请注明出处

本文链接：https://blog.csdn.net/Liangjun_Feng/article/details/105380281

版权

Deep Learning | 卷积网络及编程框架专栏收录该内容

10 篇文章

订阅专栏

本篇博客主要讲述三种图卷积网络（Graph Convolutional Network, GCN）的算法原理及python实现，全文阅读时间约10分钟。

博主关于图神经网络的文章
DeepLearning | 图卷积神经网络(GCN)解析(论文、算法、代码)
DeepLearning | 图注意力网络Graph Attention Network（GAT）论文、模型、代码解析
 DeepLearning | 图卷积网络基于拓扑结构的分类（T-GCN)

关于半监督学习
基于分歧的半监督学习方法
机器学习教程之半监督学习 Tri-training方法 (论文、数据集、代码)
机器学习教程之半监督学习 Co-training 协同训练 (论文、算法、数据集、代码)
机器学习教程之半监督学习 Coreg 协同回归算法 (论文、算法、数据集、代码)
机器学习教程之半监督学习基于图正则项的半监督极限学习机

这些博客都提供了算法的讲解和python的代码复现，感兴趣的可以了解一下

一、图卷积网络原理

图模型早期的研究被称为图信号处理（Graph Signal Processing, GSP）,在12年深度学习爆发以后，学术圈开始研究图模型与神经网络的结合。主要经过三代模型的发展后，相对成熟的图卷积网络开始发展起来，本文主要介绍的也是这三代图卷积模型的原理和变化。

1.0 预备知识

在介绍图卷积之前，需要先普及一些基本的理论知识：

图结构数据
一张图由节点和边组成，节点代表成员或者对象，而边表示节点间的关系，我们往往使用 $\in \mathbb{R}^{n \times n}$ 表示一张图的结构特性， $A$ 称为图的邻接矩阵，其中 $n$ 表示节点数量， $a_{i,j}$ 的数值则表示节点 $i$ 和节点 $j$ 之间的关系。
拉普拉斯图矩阵
基于图的邻接矩阵，我们可以方便的定义拉普拉斯图矩阵
$L = D - A$ 上式中 $A$ 是邻接矩阵， $D$ 称为度矩阵，是一个对角矩阵， $d_{ii}=\sum^{n}_{j=1}a_{ij}$ 描述了每一个样本近邻的总和信息。
卷积定理：函数卷积的傅利叶变换是函数傅利叶变换的乘积。
傅立叶变换在图上的推广
拉普拉斯图矩阵 $L$ 的特征向量 $U$ 可以作为傅立叶变换的基， $L=Udiag(\lambda_{1},...,\lambda_{n})U^{-1}$ 这里的特征值则可以理解为不同频率分量的系数，越小的特征值表明对应基的分量信息越少。
图卷积的分类
图卷积主要可以分为基于谱域(谱分解/特征根分解)的卷积以及基于空域的卷积，今天介绍的三代卷积网络都是基于谱域的卷积，但其在空域上也有很好的解释性。关于空域图卷积会在以后的文章中专门介绍

1.1 第一代图卷积网络

第一代图卷积定义为

y_{output} = \sigma\{Udiag(\theta_{1},...,\theta_{n})U^{T}x\}

这里的

\sigma

表示激活函数,

\theta

表示可训练的网络参数，使用反向传播进行训练，

x

是输入的特征矩阵。
根据预备知识的第4点， 上式可以解释为， $U^{T}$ 将 $x$ 变换到频域当中，在频域中与训练得到的 $\theta$ 加权结合进行特征提取，继而又通过 $U$ 反变换到原来的空域当中。
第一代图卷积模型由LeCun组在14年提出，论文可见 Spectral networks and locally connected networks on graphs. In International Conference on Learning Representations。该模型作为早期的图卷积网络，缺点在于

每一次前向传播都需要计算 $U$ , $\theta$ , $U T$ 的乘积，计算代价高
在空域内的解释性不好，没法很好利用图的近邻性质
卷积核需要 $n$ 个参数

1.2 第二代图卷积网络

第二代图卷积模型定义为

y_{output} = \sigma\{Udiag(\sum^{K}_{j=0}\alpha_{j}\lambda^{j}_{1},...,\sum^{K}_{j=0}\alpha_{j}\lambda^{j}_{n})U^{T}x\}

上式中，

\lambda_{i}

为

L

的第

i

个特征值，

\alpha

是可训练的网络参数，对角矩阵又可以记为

diag(\sum^{K}_{j=0}\alpha_{j}\lambda^{j}_{1},...,\sum^{K}_{j=0}\alpha_{j}\lambda^{j}_{n})=\sum^{K}_{j=0}\alpha_{j}\Lambda^{j}

进而可以导出

U\sum^{K}_{j=0}\alpha_{j}\Lambda^{j}U^{T}=\sum^{K}_{j=0}\alpha_{j}U\Lambda^{j}U^{T}=\sum^{K}_{j=0}\alpha_{j}L^{j}

于是有

y_{output} = \sigma\{\sum^{K}_{j=0}\alpha_{j}L^{j}x\}

可以看出第二代图卷积网络使用的卷积核其实是

K

个拉普拉斯图矩阵的加和。那么这里的

K

是什么含义呢？如何定义的

K

个拉普拉斯矩阵。其实很简单，第

k

个图矩阵记录的是经过

k

跳以后可以找到的近邻，如下图所示
在这里插入图片描述

通过定义不同的近邻，来提取更多的信息。
第二代图卷积网络在论文 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering中被提出，相比与第一代图卷积模型，其优点在于

卷积核只有 $K$ 个参数，一般 $K$ 远小于 $N$
不需要做特征根分解，直接用 $L$
空间域内的解释性较好

1.3 第三代图卷积网络

第三代图卷积模型，也是当前最流行的版本，由第一代卷积简化推导而来。第一代卷积模型可以表示为

g_{\theta} \star x = Ug_{\theta}U^{T}x

，其中卷积核

g_{\theta} = diag(\theta)

是待训练的参数，特征向量

U

由标准化的拉普拉斯矩阵特征根分解得到

L=I-D^{-0.5}AD^{-0.5}=U \Lambda U^{T}

，这里的卷积核

g_{\theta}

可以理解为特征值

\Lambda

的函数，记为

g_{\theta}(\Lambda)

.
使用切比雪夫多项式

K

阶近似

g_{\theta}(\Lambda)

g_{{\theta}'}(\Lambda) \approx \sum^{K}_{k=0}{\theta}'_{k}T_{k}(\tilde{\Lambda})

，其中

\tilde{\Lambda}=\frac{2}{\lambda_{max}}\Lambda-I

，

{\theta}'

是需要学习的系数，

T_{k}

的定义是递归的

T_{k}(x)=axT_{k-1}(x)-T_{k-2}(x)

T_{0}(x)=1

以及

T_{1}(x)=x

。将估计式带入一代卷积模型中，可以得到

g_{{\theta}}' \star x \approx \sum^{K}_{k=0}{\theta}'_{k}T_{k}(\tilde{L})x

，其中

\tilde{L}=\frac{2}{\lambda_{max}}L-I

。
进一步近似，约束

\lambda_{max}=2

, 取

K = 1

，则有

g_{{\theta}}' \star x \approx {\theta}'_{0}x- {\theta}'_{1}D^{-0.5}AD^{-0.5}x

，因为

{\theta}'

是需要学习的系数，可以将其约束为

\theta = {\theta}'_{0} = -{\theta}'_{1}

, 则有

g_{{\theta}}' \star x \approx {\theta}(I+D^{-0.5}AD^{-0.5})x

，再使用重参数化技巧

I+D^{-0.5}AD^{-0.5} \rightarrow \tilde{D}^{-0.5}\tilde{A}\tilde{D}^{-0.5}

，其中

\tilde{A}=A+I

和

\tilde{d_{ii}}=\sum^{n}_{j=1}\tilde{a}_{ij}

。
据上，第三代图卷积模型为定义为

y_{output}=\tilde{D}^{-0.5}\tilde{A}\tilde{D}^{-0.5}X\theta

。其模型可以被理解为是对一代模型做了一阶的切比雪夫近似，为每一个节点提取一阶近邻的信息。
第三代图卷积模型在论文 Semi-Supervised Classification with Graph Convolutional Networks中被提出，由于其较好空域解释性和精简的模型结构，受到广泛应用。

1.4 图卷积网络的优缺点

特点：

训练的输入为 $X$ 和 $A$ ，以整张数据图为输入，而不是以batch训练
训练阶段会用到无标签的测试数据，因而是直推式半监督学习

优点：

显式的利用节点间的关系进行特征的提取
实现相对简单、计算并不复杂

缺点：

图卷积网络一般只有1-4层，无法深层堆叠，会出现梯度消失的问题
. 一般的图卷积网络以整张图作为输入，所以在普通机器上无法训练大规模的图数据

二、图卷积网络python实现

下面是图卷积网络的核心代码

#卷积层代码
import  torch
from    torch import nn
from    torch.nn import functional as F
from    utils import sparse_dropout, dot

class GraphConvolution(nn.Module):
    def __init__(self, input_dim, output_dim, num_features_nonzero,
                 dropout=0.,
                 is_sparse_inputs=False,
                 bias=False,
                 activation = F.relu,
                 featureless=False):
        super(GraphConvolution, self).__init__()


        self.dropout = dropout
        self.bias = bias
        self.activation = activation
        self.is_sparse_inputs = is_sparse_inputs
        self.featureless = featureless
        self.num_features_nonzero = num_features_nonzero

        self.weight = nn.Parameter(torch.randn(input_dim, output_dim))
        self.bias = None
        if bias:
            self.bias = nn.Parameter(torch.zeros(output_dim))


    def forward(self, inputs):
        # print('inputs:', inputs)
        x, support = inputs

        if self.training and self.is_sparse_inputs:
            x = sparse_dropout(x, self.dropout, self.num_features_nonzero)
        elif self.training:
            x = F.dropout(x, self.dropout)

        # convolve
        if not self.featureless: # if it has features x
            if self.is_sparse_inputs:
                xw = torch.sparse.mm(x, self.weight)
            else:
                xw = torch.mm(x, self.weight)
        else:
            xw = self.weight

        out = torch.sparse.mm(support, xw)

        if self.bias is not None:
            out += self.bias

        return self.activation(out), support

#模型代码
import  torch
from    torch import nn
from    torch.nn import functional as F
from    layer import GraphConvolution

from    config import args

class GCN(nn.Module):
    def __init__(self, input_dim, output_dim, num_features_nonzero):
        super(GCN, self).__init__()

        self.input_dim = input_dim # 1433
        self.output_dim = output_dim

        print('input dim:', input_dim)
        print('output dim:', output_dim)
        print('num_features_nonzero:', num_features_nonzero)


        self.layers = nn.Sequential(GraphConvolution(self.input_dim, args.hidden, num_features_nonzero,
                                                     activation=F.relu,
                                                     dropout=args.dropout,
                                                     is_sparse_inputs=True),

                                    GraphConvolution(args.hidden, output_dim, num_features_nonzero,
                                                     activation=F.relu,
                                                     dropout=args.dropout,
                                                     is_sparse_inputs=False),

                                    )

    def forward(self, inputs):
        x, support = inputs

        x = self.layers((x, support))

        return x

    def l2_loss(self):

        layer = self.layers.children()
        layer = next(iter(layer))

        loss = None

        for p in layer.parameters():
            if loss is None:
                loss = p.pow(2).sum()
            else:
                loss += p.pow(2).sum()

        return loss