细粒度IP定位参文11（GCN）：Semi-supervised classification with graph convolutional networks（2016年）

最新推荐文章于 2024-05-19 11:10:49 发布

路由跳变

最新推荐文章于 2024-05-19 11:10:49 发布

阅读量849

点赞数 26

分类专栏： RIPGeo 文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/sinat_41942180/article/details/136572367

版权

本文深入探讨了图卷积网络（GCN）在半监督节点分类中的应用，揭示了传统正则项的局限，并提出GCN的节点信息传递规则，以提升分类准确率和计算效率。文章详细介绍了Laplacian矩阵、谱图卷积方法和GCN的卷积过程，以及与CNN的对比。GCN通过简化Chebyshev Filter实现了高效卷积，通过多层堆叠进行节点特征学习，有效解决了无监督节点的分类问题。

摘要由CSDN通过智能技术生成

[11] T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” 2016, arXiv:1609.02907. （基于图卷积网络的半监督分类）

论文地址：https://arxiv.org/pdf/1609.02907.pdf

基于图卷积网络的半监督分类：提升了图卷积的性能，使用切比雪夫多项式的1阶近似完成了高效的图卷积架构。

这里列出论文相关的知识列表，对于扩展理解部分，以Ref.X的形式标注，如果读者已经很熟悉相关内容，可以直接跳过相应部分。

Laplacian Matrix：图上的离散微分算子、图信号的光滑度、基本性质、特征值和特征向量、归一化。
Graph Fourier Transform：类比傅里叶变换、图傅里叶变换。
Chebyshev Polynomial：多项式的定义、性质。
Chebyshev Filter：滤波器形式简化、多项式阶数与卷积邻域的联系。
GCN：单通道Unit、多通道Stack、对比CNN、GCN卷积理解。

一、论文整体逻辑

依照最简单的论文逻辑要素，把握问题、方法、贡献这三点，基本上就能拎清一篇论文的故事结构。GCN论文的逻辑梳理为：

1、问题

在半监督的节点分类任务中，前人方法存在以下两个瓶颈：

问题a. 代价函数中，正则项对相邻节点的相似性束，虽然可以间接传递监督信号，但该假设可能不成立，不利于节点准确分类。

问题b. 前人谱图卷积的计算复杂度较高。

2、方法

针对a：提出基于GCN的节点信息传递规则，抛弃正则项。

针对b：通过简化Chebyshev Filter的参数，构造GCN基本单元。

3、贡献

验证a. 基于GCN的节点信息传递规则，能提高半监督节点分类任务的准确率。

验证b. 上述方法的计算效率提升。

二、问题

1、正则项的局限

针对半监督的节点分类问题，前人方法中的代价函数有如下一般形式：

其中，代价函数中的 $L_{0}$ 项负责监督有标签的节点，最小化正则项 $L_{reg}$ 会起到两个作用：

1.1 传递监督信号 (+)

对相邻连通节点（即 $A_{ij}$ ≠0）的特征相似约束，使得无监督节点与其靠近的监督节点特征接近，并由此扩散至全部无监督节点。

1.2 节点特征平滑 (-)

相邻连通节点特征 $f(x_{i})$ 与 $f(x_{j})$ 的差异较小，单个节点的个性特征被平滑。

节点特征平滑会让学习的节点特征呈现如下特征：

图1. 节点特征平滑

然而，相邻节点的特征相似性假设可能存在局限。以图2中的情况为例：若以经济、人口、面积等作为城市特征，那么北京、上海城市群内的周边城市，与中心城市的相似程度可能并不高，此时相似性假设失效。

图2. 正则项假设局限

2、Ref.1 Laplacian Matrix

Laplacian Matrix：图上的离散微分算子、图信号的光滑度、基本性质、特征值和特征向量、归一化。

2.1 Laplacian Matrix是图上的离散Laplacian算子

（1）数量值函数与向量值函数

（2）Nabla算子

（3）Nabla算子

（4）Laplacian算子的离散形式—Image

一阶导数的离散计算方式：

二阶导数的离散计算方式：

以二维图像 $f(x,y)$ 为例，Laplacian算子对 $(x,y)$ 处中心像素作用的计算方式：

图3. 二维图像Laplacian算子作用

Laplacian算子对 $(x,y)$ 处像素作用的结果为 $\Delta f$ 。从计算的角度，统计了周围像素对中心像素的扰动总和；从散度的角度，是 $(x,y)$ 处的梯度 $\bigtriangledown f$ 的散度，即该点处源的强度。注意到计算一阶差分时，是 $f(x+1)-f(x)$ ，即 $f(x+1)$ 是 $f(x)$ 变化后的结果。那么对应二维图像， $\Delta f$ 计算的是中心点 $(x,y)$ 到周围点的变化总和。那么，若 $\Delta f$ >0，说明"能量"从中心向四周流动，有正源存在；反之，若 $\Delta f$ <0，则有负源（汇）存在。