图卷积网络 GCN 综述

最新推荐文章于 2024-12-25 13:08:37 发布

pumpkin_DAYTOY

最新推荐文章于 2024-12-25 13:08:37 发布

阅读量1.8k

点赞数

分类专栏：知识图谱文章标签：卷积

本文链接：https://blog.csdn.net/weixin_41501194/article/details/105689492

版权

本文深入探讨了图卷积网络（GCN），从离散卷积的概念开始，介绍了CNN到GCN的转变，重点讲解了GCN的理论基础，包括拉普拉斯矩阵和傅立叶变换，并阐述了GCN的网络结构。此外，还提供了相关的参考资料和源代码链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文献题目：Semi-Supervised Classification with Graph Convolutional Networks
文献来源：ICLR 2017
原文链接：https://arxiv.org/abs/1609.02907

参考笔记
GCN 理论：https://blog.csdn.net/weixin_36474809/article/details/89316439
离散卷积：https://zhuanlan.zhihu.com/p/35630785

称 $(f * g) (n)$ 为 $f ， g$ 的卷积，离散卷积本质是一种加权求和

连续卷积定义为：

$\int_{-∞}^∞f(\tau)g(n-\tau)d\tau$

离散卷积定义为：

$\sum_{\tau=-∞}^∞f(\tau)g(n-\tau)$

CNN 中的卷积本质上是利用一个共享参数的过滤器（kernel），通过计算像素中心点的加权和来构成 feacher map 实现空间特征的提取， 其中加权系数是卷积核的权重系数。

图1 CNN中的卷积过程

CNN 中的卷积过程如图1所示，首先随机化 kernel 初值，然后根据误差函数通过反向传播梯度下降进行迭代优化。

CNN 可以有效提取空间特征，但是 CNN 处理的图像或视频数据中的像素点（pixel）是整齐排列的矩阵，即很多论文中提到的欧式结构（Euclidean Structure），如图2所示。

图2 欧几里得空间与非欧几里得空间

现实世界中的许多问题都可以通过非欧结构的图结构表述，如基因序列关系、蛋白质结构、知识图谱和社交网络等。概率图模型（Probablistic Graphical Model，PGM）和图神经网络（Graph Neural Networks，GNN）是处理图结构的两个代表性的方向。

融入 CNN 的 GCN 框架是最流行的 GNN 之一，但是图结构中邻居节点的个数不固定，无法计算核卷积，所以 CNN 不能直接用在属于非欧空间的图结构上。对此有两种解决办法：一是固定邻居节点数，二是将非欧空间的图转换到欧式空间，GCN 属于第二种思路。

图卷积网络（Graph Convolutional Network，GCN）是对图结构进行操作的卷积神经网络。

1. 拉普拉斯矩阵

对于图结构的特征提取主要分为空域（Spatial Domain）和频域（Spectral Domain）两种方法：频域法使用谱分解的方法，应用图的拉普拉斯矩阵分解进行节点的信息收集；空域法直接使用图的拓扑结构，根据图的邻接信息进行信息收集。

GCN 采用的是频域法，对于给定图 $G = (V, E)$ ，其拉普拉斯矩阵定义为 $L = D -$