SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS笔记

1. Introduction

1. 提出可以直接在图上操作的卷积神经网络，使用谱图卷积的局部一阶近似来确定卷积结构。
2. 用于半监督学习，进行节点分类
   
   

2. 图上的快速近似卷积

先给出多层GCN基于下面的逐层传递规则：

$\tilde{A}=A+I_N$，$I_N$为单位矩阵，A为邻接矩阵，即$\tilde{A}$为图的邻接矩阵加上自环。${\tilde{D}}_{ii}=\begin{array}{c}{\sum }_j\end{array}{\tilde{A}}_{ij}$（度矩阵）。$W^{(l)}$为可训练参数。下面证明这种传递规则可使用谱图卷积的局部一阶近似来确定。

2.1 谱图卷积

2.1.1 第一代图卷积

对于输入信号$x\in R^N$，在傅里叶域取滤波器$g_{\theta }=diag(\theta )$，$\theta \in R^N$。

$\ast$为卷积操作。$U$是归一化后的图的拉普拉斯矩阵L的特征向量构成的矩阵，$L=I_N-D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}=U\wedge U^T$，$\wedge$是拉普拉斯矩阵L的特征值组成的对角矩阵。

$U^{T}x$就是$x$的图傅里叶变换。

$g_{\theta }$可视为是拉普拉斯矩阵$L$的特征值组成的对角矩阵$g_{\theta }(\wedge )$

第一代卷积借助傅里叶变换，将原始信号$x$变换到频域，在频域乘上一个信号，再做傅里叶逆变换还原到空域。由傅里叶变换的特性有，在频域相乘相当于空域卷积，这样就回避了空域上对不确定结构的图进行卷积的问题。

2.1.2 第二代图卷积

第一代图卷积计算开销大，对于大规模的图，计算特征向量计算开销很大。而且没有空间的局部性，每次卷积都要考虑所有的结点。

为了避免这一问题，减少计算量，有人提出一个特殊的卷积核设计方法，将$g_{\theta }(\wedge )$用切比雪夫多项式$T_k(x)$进行k阶逼近。新的卷积核设计为

切比雪夫多项式$T_k(x)$：

$T_k(x)=2x{T}_{k-1}(x)-T_{k-2}(x)$

$T_0(x)=1$

$T_1(x)=x$

$\tilde{\wedge }=\frac{2}{{\lambda }_{max}}\wedge -I_N$，${\lambda }_{max}$是L的最大特征值

${\theta }^{\prime }\in R^K$为切比雪夫多项式的系数

将该卷积核代入图卷积公式得到

$\tilde{L}=\frac{2}{{\lambda }_{max}}L-I_N$

这个公式为拉普拉斯算子的K阶切比雪夫多项式形式，即它受到距离中央节点K步以内的节点影响。
这里的加速版本的GCN，将参数减少到了K个，并且不再需要对拉普拉斯矩阵做特征分解，直接使用即可。

2.1.3 分层线性模型

第三代GCN令K=1，即每层卷积只考虑直接邻域，类似于CNN中$3\times 3$的卷积核

网络深度加深，宽度减少（深度学习的经验，深度>宽度）
对第二代卷积公式

令${\lambda }_{max}=2,k=1$可得

这里运用的是上面提过的归一化后的拉普拉斯矩阵$L$是归一化后的拉普拉斯矩阵，进一步简化，令${\theta }_0^{\prime }=-{\theta }_1^{\prime }$，由于$L=I_N+D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}$特征值在[0,2]，可进一步约束为

最终通过应用多通道卷积，并表达为矩阵形式，可以得到如下的最终形式

其中，$X\in R^{N\times C},\Theta \in R^{C\times F},Z\in R^{N\times F}$，$N,C,F$分别代表节点个数，通道个数（每个节点的属性是C维的），卷积核个数。

3. 半监督节点分类

运用两层GCN

参考

https://blog.csdn.net/weixin_39373480/article/details/90741121