【论文笔记】InceptionGCN:Receptive Field Aware Graph Convolutional Network for Disease Prediction

InceptionGCN

Methodology

Affinity graph construction

构造Affinity Graph的关键是能够精准的建模病人之间的交互作用，Affinity Graph是将所有样本（训练集+测试集），下图为文中所涉及到的符号。

符号	含义	符号	含义
$G(V,E,W)$	图	$n_i$	图中的节点
V=|N|	节点	$\eta$	患者之间非成像数据
$E$	边	$x_i\in {\mathbb{R}}^N$	节点$n_i$的特征
$W\in {\mathbb{R}}^{N\times N}$	边的权重	$E\in {\mathbb{R}}^{N\times N}$	二值化邻接矩阵

边$E$定义如下：

${\eta }_i$与${\eta }_j$是节点$i$与节点$j$的值，$\beta$表示$threshold$，权重矩阵$W\in {\mathbb{R}}^{N\times N}$基于每个节点的特征之间的相关距离对边缘进行加权。

权重矩阵$W$定义如下：

$Sim(x_i,x_j)$定义如下：

$\rho$表示相关距离，$\sigma$表示$kernel$宽度。权重的计算以及$\beta$是根据文献[11]。
最终的affinity矩阵A是根据$A=W\circ E$，其中$\circ$表示Hadamard product

Mathematical background of spectral convolution and localization of filters for inception modules

推导公式

编号	公式	意义
①	$L=I_N-D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}$	正则化的拉普拉斯矩阵
②