图卷积Graph Convolutional Networks

转自 https://blog.csdn.net/lemon759597/article/details/81104891

 

CNN已经在计算机视觉（CV）以及自然语言处理等领域取得了非常好的水平，其中的数据可以被称作是一种Euclidean Data，CNN正好能够高效的处理这种数据结构，探索出其中所存在的特征表示。所谓的欧氏（欧几里德）数据指的是类似于grids, sequences… 这样的数据，例如图像就可以看作是2D的grid数据，语音信号就可以看作是1D的grid数据。但是现实的处理问题当中还存在大量的 Non-Euclidean Data，如社交多媒体网络数据，化学成分结构数据，生物基因蛋白数据以及知识图谱数据等等，这类的数据属于图结构的数据（Graph-structured Data）。

图结构数据

 如果数据看起来像这样该怎样利用深度学习，

一个简单的方法：

•       求邻接矩阵A和特征矩阵X

•       串联Xin=[A,X]

•       输入全连接神经网络

缺点：

•参数数量过大

•图形变化需重新训练

为什么研究GCN？

1.CNN无法处理Non Euclidean Structure的数据，学术上的表达是传统的离散卷积在Non Euclidean Structure的数据上无法保持平移不变性。也就是说在拓扑图中每个顶点的相邻顶点数目都可能不同，那么也就无法用一个同样的尺寸的卷积核来进行卷积运算。

2.CNN无法处理Non Euclidean Structure的数据，又希望在拓扑图上有效的提取空间特征来进行学习，所以GCN成为研究重点。

3.数据不是拓扑结构的网络时，也会用到GCN。广义上来讲任何数据在赋范空间内都可以建立拓扑关系，谱聚类就是这样的思想。

两种主流方式来提取拓扑图的空间特征：

1. 基于空间域 ：Learning Convolutional Neural Networks for Graphs  ——ICML 2016

 为了能够对任意结构的图进行卷积操作，这篇文章提出了PATCHY-SAN (Select-Assemble-Normalize)的方法，通过三个步骤构建卷积分片：1.从图中选择一个固定长度的节点序列；2.对序列中的每个节点，收集固定大小的邻域集合；3.对由当前节点及其对应的邻域构成的子图进行规范化，作为卷积结构的输入。通过上述三个步骤构建出所有的卷积片之后，利用卷积结构分别对每个分片进行操作。具体示意图如下图所示。

总体上讲，就是用w个固定size=k的子图来表示输入的graph，再将这w个子图正则化后,生成一个w*k维的向量，作为传统的CNN的输入，进行学习。其实就是做了一个从graph到向量的映射的一个预处理过程。

具体构建卷积分片的步骤：

1.节点序列选择：为对图中所有的节点进行标号排序，将图中的节点集合根据向心性（节点的度、中心度等）映射为有序的节点序列。从该序列中根据一定的间隔s隔段选取w个节点构成最终的节点序列。

2.邻域节点收集：对于上一步获得的节点序列中的每一个节点，利用广度优化搜索扩展邻域节点，和源节点一起构成一个k大小的邻域集合。

3.子图规范化：对邻域集合中的各节点标号排序，得到接受域。那么，对于节点的属性，k个节点属性值构成了一个输入通道，对于边的属性，k^2个属性值也构成了一个输入通道。我们可以分别用一维的卷积层来处理这两种输入通道（对于节点属性卷积层长度为k，对于边属性卷积层长度为k^2）。

香港中大-商汤科技联合实验室的最新 AAAI 会议论文“Spatial Temporal Graph Convolution Networks for Skeleton Based Action Recognition”提出了一种新的 ST-GCN，即时空图卷积网络模型，用于解决基于人体骨架关键点的人类动作识别问题。该方法除了思路新颖之外，在标准的动作识别数据集上也取得了较大的性能提升。

ST-GCN 的基础是时空图结构。大致步骤：

•构建时空图（包括相邻关键点的连接关系或身体部件等，如手-手肘-肩膀的连接关系）。

•图结构上的卷积网络

2. 基于频谱域 ：借助图谱的理论来实现拓扑图上的卷积操作     Spectral Networks and Deep Locally Connected Networks on Graphs             ——NIPS 2014

对于图G=(V,E),其中Laplacian矩阵的定义为L=D-A,其中L是Laplacian矩阵，D是顶点的度矩阵（对角矩阵），对角线上的元素依次为各顶点的的度，A是图的邻接矩阵。

Symmetric normalized Laplacian： ,很多GCN的论文中应用的是这样的拉普拉斯矩阵。

对于拉普拉斯矩阵进行谱分解为：

所以特征分解可以写成：

特征分解最右边的特征矩阵的逆，只是拉普拉斯的性质可以写成特征矩阵的转置

卷积定理：函数卷积的傅里叶变化是函数傅里叶变化的乘积，即对于函数f(t)与h(t)两者的卷积是其函数傅里叶变换乘积的逆变换：

类比到Graph上并把傅里叶变换的定义带入，f与卷积核h在Graph上的卷积可以由下面步骤得到：

f的傅里叶变换为

卷积核h的傅里叶变换写成对角矩阵的形式 

两者的傅里叶变换乘积即为

这种参数方法缺点：

1. 每一次前向传播，都要计算U, diag(θl)以及UT三者的乘积，特别是对于大规模的graph，计算代价较高，也就是论文中的O(n2)的计算复杂度
2. 卷积核需要n个参数

 

 

转自 https://blog.csdn.net/lemon759597/article/details/81104891