图神经网络研讨会（空间方法图卷积-GCN-ICLR2017）

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