目录
本文作者来自加拿大McGill University。
本文首先分析了影响图卷积网络表达能力的关键因素,包括激活函数和浅层学习机制。之后提出了一种基于block Krylov subspace的谱卷积近似代替的方案,这样可以对GCN做深度的推广。在此基础上提出了两种不同架构的模型:Snowball和Truncated Block。
在具体看本文之前,首先需要了解Krylov subspace。话说回来本文用到了很多本科时候现线代和高数的知识,哎只可惜都忘得差不多了。
1.Krylov subspace
首先说子空间,它包含非零元素,并且加法和乘法需要满足封闭性(加法乘法的结果还在这个空间中)。
Krylov被用于快速线性方程组近似求解(本节的图都出自于哔哩哔哩:https://www.bilibili.com/video/BV13t411g7VD?from=search&seid=5074416216624462251 以及另一篇博客:https://blog.csdn.net/qq_39521554/article/details/79913323)。假设我有一个线性方程组:
为了求它的解,需要 x =