GCN(ICLR2017)
第一种卷积
缺点:计算过于复杂
第二种卷积
卷积核通过切比雪夫多项式Tk(x)的截断展开式很好地近似到k阶:
优点:参数由n降到k,计算大大降低。
线性模型
卷积公式
其中
基于图卷积的神经网络模型可以通过叠加方程5形式的多个卷积层来构建,每一层后面都有一个逐点非线性。
备用知识:
首先将层卷积运算限制在K=1,即关于L是线性的,因此在拉普拉斯谱上有线性函数。并且设置最大特征值≈2
所以有公式(5)可转变为:
两个自由参数:,滤波器参数被整个图共享。连续应用这种形式的滤波器,可以有效的卷积节点的k(th)邻域,其中k是模型中连续滤波操作或卷积层的数目。
半监督节点分类
我们已经有了模型f(X,A),可以在图上有效的传播信息,现在回到半监督节点分类问题上。
我们可以通过调整我们的模型f(X,A),来放松通常在半监督学习中所做的假设。希望模型可以在【邻接矩阵A中包含着(数据X没有表达出来的)信息】这种情况下更有用。
一个整体的多层半监督GCN模型如下图所示:
上图中,左(a)是一个GCN网络示意图,在输入层拥有C个输入,中间有若干隐藏层,在输出层有F个特征映射;图的结构(边用黑线表示)在层之间共享;标签用Yi 表示。
右(b)是一个两层GCN在Cora数据集上(使用了5%的标签)训练得到的隐藏层激活值的形象化表示,颜色表示文档类别。
半监督节点分类实例
其中:
数据集