Diffusion-Convolutional Neural Networks
2016年发表于INPS,作者来自马萨诸塞大学。实际上这篇文章要早于Kipf的论文,它提出了扩散图卷积网络(DCNN),可以在结点分类和图分类的任务上分别建模,本质上属于空域(Spatial)卷积[1]。下面就按照论文的思路去介绍这篇文章。
Introduction
本文通过引入扩散-卷积(diffusion-convolution)操作将CNN引入到一般的图结构数据(非欧式空间),使用通用的模型在降低复杂度的同时提高预测性能。DCNN具有如下的优点:
- Accuracy。
- Flexibility:DCNNs提供了一种灵活的图形数据表示法,它对节点特征、边的特征和纯结构信息进行编码,几乎不进行预处理。DCNNs可以用于各种具有图形数据的分类任务,包括节点分类和全图分类。
- Speed。
Model
首先阐述符号定义。考虑一组图: