GCN学习总结

参考：最通俗易懂的图神经网络（GCN）原理详解

        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：

 

这个公式中：

• A波浪=A+I，I是单位矩阵，加单位矩阵是因为要融合自己节点的特征。
• D波浪是A波浪的度矩阵（degree matrix），是一个对角矩阵。
• H是每一层的特征，对于输入层的话，H就是X（特征）假设点的特征是m维，那么X就是n*m。当第一层的H没有特征向量时，就用单位矩阵代替，这样该节点的特征就是他的邻接矩阵。
• σ是非线性激活函数

多层的GCN:         

        上图中的GCN输入一个图，通过若干层GCN每个node的特征从X变成了Z，但是，无论中间有多少层，node之间的连接关系，即A，都是共享的。

        假设我们构造一个两层的GCN，激活函数分别采用ReLU和Softmax，则整体的正向传播的公式为：

将矩阵的特征展开就可以得到每一个点的特征，将每个点的特征依次输入做分类，进行训练。