介绍:
论文提出了一种半监督卷积学习的方式学习图结构上的信息。通过局部一阶近似谱图卷积进行了改进。模型计算复杂度和节点关系是线性关系。
半监督学习损失函数
Lreg作为约束条件,主要用来学习没有label的node节点,假设是邻居节点共享相同的label,所以用邻居节点来约束没有label的节点,达到半监督学习的目的。
论文的主要贡献
第一个贡献是提出来一个直接作用于图上的算法,并且提出了改进的一阶近似算法。第二个贡献是这个图算法有效的应用于半监督学习中。
快速近似算法
理论依据
D是度矩阵,A是邻接矩阵,用度矩阵平方后取逆和邻接矩阵构成了类似于权重概念的矩阵,然后H想当于每个节点的特征矩阵,H*W相当于对特征矩阵进行了线性变换,然后用权重矩阵对每个节点使用其他节点对应的特征项进行加权求和。有点类似于self-attention的概念。
近似算法 SPECTRAL GRAPH CONVOLUTIONS
通过图的拉普拉斯矩阵定义了函数g,然后对函数g进行了矩阵分解,用拉普拉斯矩阵进行矩阵分解后结果和x特征向量进行相乘。但是进行矩阵分解和矩阵乘法的时间复杂度O(n^2),时间复杂度比较高。
为了解决时间复杂度比较高的问题,使用切比雪夫近似计算的方式,近似逼近函数g
将切比雪夫多项式嗲如上面公式,得到近似的计算公式,这个计算复杂度是和节点的边成线性关系。
模型结构 LAYER-WISE LINEAR MODEL
网络怎么利用切比雪夫多项式进行了模型的简化,还是没有看懂,后面有时间在理解吧。
模型结构
疑问点
怎么将模型的计算复杂度优化到和图网络节点线性相关的?