关于输入为graph的CNN：Graph CNN

大千世界，所有可见的数据可分为两类：Euclidean Data & Non-Euclidean Data。

目前在Deep Learning的范畴里，CNN和RNN的世界里，广泛应用的images，sentences，waves，等等，都属于Euclidean data。欧式数据，直观理解为具有工整（栅格化的：grid-like）对称性的数据。

然而，网络的概念在现实生活中也是普遍存在的。社交网络，航路网，蛋白质分子联系网，等等等等。注意，这些网络常常是不对称的，即每个节点的degree（neighbor数量）是不确定的，数据是不工整的。网络的数学描述是通过图论的理论，即用网络的边和顶点来描述顶点之间的连接关系。

那么问题就来了。传统ConvNet在Euclidean data上的卷积操作，是完全对称的工整的。一个3*3的Conv filter，就是一个九宫格，要求每个pixel都有8个工整的neighbor（抛去边沿效应）。

因此，CNN可以很好地在image这种euclidean的数据上进行feature learning & extraction。可是，如果input是不工整的graph时，该怎么办呢？该怎么继续使用CNN来提graph里含有的特征呢？

这就引出了Graph CNN的理论，即可以在graph数据上操作的CNN。

好。对于GCNN，我们的期待也很简单。给你输入一个graph，你用某种filtering的操作，给我把这个input graph刷一遍，刷出一个output graph来。

对于euclidea