1.《Semi-Supervised Classification with Graph Convolutional Networks》
作者提出了一种可扩展的方法,用于图形结构数据的半监督学习,该网络是传统卷积算法在图结构数据上的一个变体,可以直接用于处理图结构数据,通过谱图卷积的局部一阶近似来激励卷积结构。模型在图形边缘的数量上进行线性缩放,并学习隐藏层表示,编码图形结构和节点的特征。
2 图
作者考虑在图形(例如引文网络)中对节点(例如文档)进行分类的问题,其中标签仅可用于一小部分节点,这个问题可以被构建为基于图的半监督学习,其中标签信息通过某种形式的显式基于图的正则化在图上平滑,例如通过在损失函数中使用图拉普拉斯正则化项
3 关于图的快速近似卷积
在本节中,作者为特定的基于图形的神经网络模型
提供理论动机,我们将在本文的其余部分中使用它。我们考虑使用具有以下分层传播规则的多层图形卷积网络(GCN):
3.2 光谱图形卷积
从本质上说,GCN是谱图卷积的一阶局部近似。那么,什么是谱图卷积呢?
首先来看图上的谱卷积。图上的谱卷积可以定义为信号
与滤波器
(
)在傅里叶域的乘积:
3.3 层次线性模型
近似的谱图卷积虽然可以建立起
阶邻居的依赖,然而,却仍然需要在
上进行
阶运算。在实际过程中,这一运算的代价也是非常大的。为了降低运算代价,本文进一步简化了该运算,即限定
。此时,谱图卷积可以近似为
(或
)的线性函数。
当然,这样做的代价是,只能建立起一阶邻居的依赖。对于这一问题,可以通过堆积多层图卷积网络建立
阶邻居的依赖,而且,这样做的另一个优势是,在建立
阶邻居的依赖时,不需要受到切比雪夫多项式的限制。
为了进一步简化运算,在GCN的线性模型中,本文定义
。此时,我们可以得到图谱卷积的一阶线性近似: