论文阅读:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
【GCN】论文笔记:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS对于该论文的讲解已十分详尽,本文在其基础上进行少量补充与修改
目录
Abstract
- 通过谱图卷积(spectral graph convolutions)的局部一阶近似来选择卷积结构
- 在图边的数量上进行线性缩放并学习隐藏层表示,对局部图的结构和几点特征进行编码
- 在引文网络和知识图数据集(knowledge graph dataset)上效果优异
1.INTRODUCTION
- 基于图的半监督问题的定义:
对一张图里的结点进行分类,但是只有一小部分的结点是有标签的 - 使用神经网络模型 f ( X , A ) f(X,A) f(X,A)对所有有标签的结点进行基于监督损失 L 0 L_0 L0的训练。其中 X X X为输入数据, A A A为邻接矩阵
- 在图的邻接矩阵上调整 f ( ⋅ ) f(\cdot) f(⋅) 将允许模型从 L 0 L_0 L0中分配梯度信息,并使其能够学习所有带标签或不带标签的结点的表示
2.FAST APPROXIMATE CONVOLUTIONS ON GRAPHS
- 多层图卷积网络的传播规则: H ( l + 1 ) = σ ( D ~ − 1 / 2 A ~ D ~ − 1 / 2 H l W l )