第五十六周学习笔记
文章阅读:图卷积网络
- Q1,图卷积网络中的拉普拉斯矩阵是什么?A:图卷积中的拉普拉斯是图的度矩阵(对角矩阵)减邻接矩阵,但这只是其中的一种,一般来说有三种拉普拉斯矩阵,除了unnormalized laplacian外,另外两种分别是normalized laplacian(常用的)和random walk laplacian
unnomalized laplacian : Δ = D − A normalized laplacian : Δ = I − D − 1 2 A D 1 2 random walk laplacian : Δ = I − D − 1 A \text{unnomalized laplacian : } \Delta=D-A\\ \text{normalized laplacian : } \Delta=I-D^{-\frac{1}{2}}AD^{\frac{1}{2}}\\ \text{random walk laplacian : } \Delta = I-D^{-1}A unnomalized laplacian : Δ=D−Anormalized laplacian : Δ=I−D−21AD21random walk laplacian : Δ=I−D−1A - Q2,什么是拉普拉斯算子?A:拉普拉斯算子是欧几里得空间中的二阶微分算子,定义为梯度的散度
- Q3,什么是散度?A:借用物理的角度去理解,假设一个区域中有热量传播,热量传播的方向和速度可以构成一个向量(方向为向量的方向,速度为向量的模长),那么这就是一个向量场,这个区域中任意一个点的散度就是以这个点为中心的极小区域散发的热量和(如果吸收热量,则为负数),其数学公式为
即向量场 A ⃗ \vec{A} A的散度, Ω \Omega Ω为封闭曲面 Σ \Sigma Σ 围成的区域, V V V 为 Ω \Omega Ω 的体积,该极小区域中的每个点对外的热量辐射通量计算为 A ⃗ \vec{A} A与在 d S dS dS表面法向上的分量 - Q4,梯度的散度(即拉普拉斯算子)有什么意义?A:延续上题的例子,对于空间位置 ( x , y , z ) (x,y,z) (x,y,z), Q ( x , y , z ) Q(x,y,z) Q(x,y,z)就表示这个点的热量,而这个函数的梯度就构成上面的向量场 A ⃗ \vec{A} A
- Q5,拉普拉斯矩阵和拉普拉斯算子有什么关系?拉普拉斯矩阵就是图上的二阶微分算子
- Q6,为什么要用拉普拉斯矩阵,拉普拉斯是实对称半正定矩阵,有n个线性无关、相互正交的特征向量,
- 什么是Spectral graph theory?简单的概括就是借助于图的拉普拉斯矩阵的特征值和特征向量来研究图的性质
- 什么是拉普拉斯方程?就是函数经过拉普拉斯之后等于0
- 什么是调和函数?满足拉普拉斯方程的函数
实验结果
见表格
References
本周小结
上周任务
完成新的分类网络,caption的baseline以及序列图模型
三个模型均在训练中,周末前即可训练完成
下周目标
补充实验,提升模型性能