图卷积神经网络-第一代GCN

Spectral Networks and Deep Locally Connected Networks on Graphs

论文地址

摘要

卷积神经网络是图像和音频识别任务中非常有效的结构，因为能够利用在它们领域的局部平移不变性。 在本文中，我们考虑了将CNN泛化到更一般的域上。 特别是，我们提出了两种构造 一个基于域的分层聚类，另一个基于图Laplacian的谱分解。 我们通过实验表明，对于低维图，可学习的卷积层具有与输入大小无关的参数，从而能够生成高效的深层结构。

通过拉普拉斯谱扩展卷积

直接进入正题，看文章的核心部分，基于图拉普拉斯矩阵谱分解的图卷积。

x(k+1,j)表示第k+1层的输出，它由前k层的输出得到。V是图的拉普拉斯矩阵进行谱分解后，由特征向量构成的矩阵。F(k,i,j)就是第k层的卷积核，h是非线性函数。

结论

由图卷积公式（3.2）可以看出，定义的图卷积依赖于图的拉普拉斯矩阵的分解，F(k,i,j)是第k层的卷积核，就是图卷积神经网络要训练的参数。（要想彻底理解这篇文章，需要用于图论，信号处理，矩阵论的一些基本知识）