-
图的结构一般来说是十分不规则的,可以认为是无限维的一种数据,所以它没有平移不变性。每一个节点的周围结构可能都是独一无二的。传统的CNN、RNN无法有效地处理这种结构的数据。很多学者为了处理这类数据提出了GNN、DeepWalk、node2vec等等,GCN只是其中一种。
-
与CNN不同的是,图卷积神经网络(GCN)是一个作用于图数据的特征提取器。GCN让我们可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graph classification)、边预测(link prediction) ,还可以顺便得到 图的嵌入表示(graph embedding)。
-
假设我们手头有一批图数据,其中有N个节点(node),每个节点都有自己的特征,我们设这些节点的特征组成一个N×D维的矩阵X,然后各个节点之间的关系也会形成一个N×N维的矩阵A,也称为 邻接矩阵(adjacency matrix)。X和A便是我们模型的输入。
GCN也是一个神经网络层,它的层与层之间的传播方式是:
其中:
Aˇ=A+I,I是单位矩阵
Dˇ是Aˇ的度矩阵(degree matrix),公式为 Dˇii=∑jAˇii
H是每一层的特征,对于输入层的话