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

  • 2
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值