【论文阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

本文在图结构数据上提出一种半监督学习方法。通过一种局部的一阶谱图卷积近似实现本文的网络结构，并在citation networks和一个知识图谱数据集（knowledge graph dataset）上进行了测试。

1. Introduction

考虑需要对一个图中的节点进行分类，并且只已知一小部分节点的类别。这个问题可以看作一个半监督图学习问题（where label information is smoothed over the graph via some form of explicit graph-based regularization），加入图 Laplacian 正则化项的损失函数写作：

其中，${\mathcal{L}}_0$表示有标签数据的监督误差，$f(\cdot )$表示诸如神经网络的可微分函数，$X$是一个包含节点特征向量$X_i$的矩阵，$\Delta =D-A$表示无向图$\mathcal{G}=(\mathcal{V},\mathcal{E})$的非归一化图Laplacian（unnormalized graph Laplacian）算子，这个图包含$N$个节点 $v_i\in \mathcal{V}$，边 $(v_i,v_j)\in \mathcal{E}$，邻接矩阵$A\in {\mathbb{R}}^{N\times N}$，度矩阵$D_{ii}={\sum }_j{A}_{ij}$。相当于通过上述正则化项约束：经过网络运算之后的结果，互联的节点应该尽量相近。

本文提出直接使用神经网络 $f(X,A)$ 编码图结构，并使用监督损失函数项${\mathcal{L}}_0$，避免加入正则项，并且，由于直接将邻接矩阵包含在网络中，使得网络可以自动根据邻接矩阵将损失值分配到各个节点，包括没有标签的节点。

2. Fast Approximate Convolutions on Graphs

考虑一个多层的图卷积网络（Graph Convolutional Network，GCN）：

其中，$\tilde{A}=A+I_N$表示无向图的邻接矩阵加上self-connections，$I_N$为单位矩阵，${\tilde{D}}_{ii}={\sum }_{}$