对于图神经网络(GNN)而言,其实现卷积主要有两种两种方法,分别是谱域图卷积方法和空域图卷积方法。这次主要介绍使用谱方法实现卷积的三个模型,即SCNN,ChebNet,GCN。
近几年图神经网络的越来越火,在很多领域都发挥着很大的作用。对于GNN来说,其核心是图卷积网络GCN,那么今天就来讲解一篇 GCN的代表论文:semi-supervised classification with graph convolution network。这篇论文是kipf和welling在2017年发表在ICLR上的一篇论文。
我将从一下几个方面介绍这篇文章:
1、看论文前需要的数学知识(包括卷积定理,拉普拉斯算子,拉普拉斯矩阵,傅里叶变换,图傅里叶变换等)
2、SCNN模型及其优缺点
3、ChebNet模型及其优缺点
4、GCN模型及其优缺点
1、看论文前需要的数学知识
由于这篇论文需要很多的数学知识,就先来介绍一下看这篇论文钱需要的一些数学知识。
1.1、什么是卷积?
在介绍卷积之前我们先来看一下傅里叶变换的定义,经典的傅里叶变换的公式为:
傅里叶逆变换公式为:
我们知道数学上卷积的定义为:
其中,g为作用在f上的filter或kernel。
假设f和g的卷积结果是h,即 h = f * g ,则有:
令y=z-x;dz=dy,带入上式得:
在公式两边同时乘于