Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification

Introduction

这篇文章的主要思想，是基于半监督学习的两个基本假设：

• （1）局部一致性：距离比较近的数据，通常有相同的标签；
• （2）全局一致性：处在相似的上下文中的数据，通常有相同的标签。如下图所示，该图卷积网络包括两个通路，$ConvA$嵌入了半监督分类局部一致性的信息，是一个传统的图卷积过程；$ConvP$ 嵌入了半监督分类全局一致性的信息，是作者的一个创新点。在两个通路后，作者设计了一个新的$Loss$ 函数，可以将局部一致性和全局一致性完美结合，取得一个好的实验效果。
• 

Local Consistency Convolution:$ConvA$

$convA$ 的计算公式如下：

• $\tilde{A}=A+I_N$ 是无向图$G$的自环邻接矩阵。
• $I_N$是单位矩阵。
• $D$