Learning Convolutional Neural Networks for Graphs 论文笔记

paper

这篇论文主要是想将CNN的思想用到graph上。

这篇是spactial GCN。

使用一个节点的邻居来作为CNN当中的感受野。

但是图像中中心节点的选择，是有顺序的，一般从上到下，从左到右，但是gragh中心节点的选择就没有这样的规则；同时图像中的感受野是规规整整的，但是graph中的感受野(邻居)是不规整的，那么就需要有一个规则来确定中心节点的选择，以及使这个感受野的选择，具有某种特点。

文中提出的PATCHY-SAN (SELECT-ASSEMBLE-NORMALIZE) 的算法框架：

1. 选择一个长度固定的节点序列(也就是充当图像中的中心节点)，长度为超参
2. 对以上序列中的每个节点，选择数量固定的邻居节点集合。
3. 对图进行归一化
4. 通过使用邻居节点的信息，来学习representations

在步骤一中，节点序列选择的标准是自己定义的某种排序方法，按照这个排序方法，把前面的$w$个选出来，不够$w$的后面补0。这个排序标准可以是深搜、广搜等。作为留为后续工作。

步骤二中的，感受野大小$k$是超参，用广搜的办法，一阶邻居不够，二阶邻居来凑的方式，这些都作为感受野节点的候选节点。

步骤三中，还是通过某种排序方式，在每个节点的邻居节点候选集中，选出前$k$个节点，作为感受野节点。这一步被称作 Graph Normalization 不够$k$个的就是 dummy nodes，不过我不知道这个 dummy nodes是什么意思，可能是也作为0的意思吧。

The graph normalization problem and the application of appropriate graph labeling procedures for the normalization of local graph structures is at the core of the proposed approach

文中说，关于图的归一化和graph labeling procedures（在我看来就是某种排序的算法）是这篇文章的核心。这个排序的思想我是理解的。

关于图的归一化，在文中，图的归一化一起提及的是图的同构问题，我的理解是是大概是一个图中，某些子图同构，那么希望在这些子图中，对其中某一个相同的点寻找感受野的时候，希望感受野的排序能够相同。那么这样的话，其实是希望感受野的选择、排序是有迹可循的。

贴一张PPT

数据集和实验结果就不贴了。