GCN笔记-GCN有向图无向图问题

最新推荐文章于 2022-07-07 18:08:34 发布
最新推荐文章于 2022-07-07 18:08:34 发布
阅读量3k 收藏 3
点赞数 3
分类专栏： 笔记 文章标签： GCN 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43198122/article/details/113466179
版权

传统GCN（即半监督2017）那篇文章中使用的数据集是Cora、Citeseer、Pubmed，我们可以知道，这三个数据集的图属于严格意义上的有向图，那么GCN频域卷积使用拉普拉斯矩阵按理说只能对无向图进行处理。

答案：文章中对数据集做了进一步的处理，如果i论文引用了j论文，则设置aij=aji=1!!!在这里插入图片描述
另外附上一篇博客：
【GCN数据集Cora、Citeseer、Pubmed文件分析】https://blog.csdn.net/lj2048/article/details/112196647

码匀
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
图神经网络入门（五）不同类型的图
weixin_45519842的博客
07-22 1620
本文是清华大学刘知远老师团队出版的图神经网络书籍《Introduction to Graph Neural Networks》的部分内容翻译和阅读笔记。个人翻译难免有缺陷敬请指出，如需转...
gcn在图像上的应用_GCN总结 - nxf_rabbit75 - 博客园
weixin_35160923的博客
01-15 3132
一、GCN简介GNN模型主要研究图节点的表示(Graph Embedding)，图边结构预测任务和图的分类问题，后两个任务也是基于Graph Embedding展开的。目前论文重点研究网络的可扩展性、动态性、加深网络。谱卷积有理论支持，但有时候会受到拉普拉斯算子的限制；而空间域卷积更加灵活，主要困难在于选择定量邻域上，没有统一理论。未来方向：加深网络: 研究表明随着网络层数增加，模型性能急剧下降感...
【图神经网络】GNN 图神经网络相关知识点
竹石破岩
07-11 2199
关键问题1，GCN是否可以用于有向图？ 图卷积分为两大类，一类是基于谱方法（spectral methods），就是将图信号进行傅里叶变换在频域进行研究，以GCN为代表的模型，但是谱方法有一个理论要求就是拉普拉斯矩阵L要求为对称矩阵，L = D-A，即图为无向图才能满足；二类，是基于空域的研究方法（spatial methods），以GraphSage为代表的模型，空域是不分有向图和无向图的，均可以计算； 因此从理论上来说GCN是不能用于有向图的，但是从代码实现层面上来看是可以的，gcn代码的实现层
快速理解图神经网络（GCN）
shanwenkang的博客
06-02 3940
网上对图卷积神经网络（Graph Convolutional Networks）的介绍大都说的云里雾里，让人看了不甚明白，无意中找到了篇很好的文章，让我对图神经网络中f(X, A) = D⁻¹AX这个式子有一个很清楚的了解。本文主要参考这篇文章，强烈建议大家去读一下原文： https://towardsdatascience.com/how-to-do-deep-learning-on-graphs-with-graph-convolutional-networks-7d2250723780。 介绍 本文的
codeforces915D. Almost Acyclic Graph（拓扑）
Amove
02-28 250
D. Almost Acyclic Graph time limit per test 1 second memory limit per test 256 megabytes input standard input output standard output You are given adir...
第七课.有向图卷积网络
白景屹的博客
03-22 7099
有向图卷积网络（Directed Graph Convolutional Network），源于2020年的论文"Directed Graph Convolutional Network"；初次了解会给人一种感觉：这可能就是在GCN上的小修改，但其实背后暗藏重大创新，在2018年出现GCN前，我们就已经知道，Graph分为有向与无向，不管是什么样的图，总能用邻接矩阵表达，也能得到度矩阵，在该论文出现之前，我们其实完全可以认为用GCN就能胜任有向或无向图数据；但经过论文的描述，事实证明作者的想法确实有所道理；
ST-GCN基于图卷积的行为识别修改模型文件
10-28
ST-GCN（Spatial Temporal Graph Convolutional Network）是一种基于图卷积网络的行为识别模型，由Yan et al. 在2018年的论文《Spatial-Temporal Graph Convolutional Networks for Skeleton-Based Action ...
Python-用于半监督分类的图形卷积网络GCN的PyTorch实现
08-11
GCN是处理图数据的有力工具，特别适用于节点分类任务，即使这些节点只有一小部分有标签。GCN通过在图结构上进行卷积操作来传播和融合节点信息，从而对整个图进行建模。 GCN的基本思想是将图中的每个节点视为一个...
OGRE:OGRE-大图的在线两阶段嵌入方法
04-01
OGRE-加权组合方法，它假定无向图或有向图下面的无向图。 插入到嵌入中的新顶点的位置是通过其一阶和二阶邻居的平均嵌入来计算的，其中ε作为超参数代表了二阶邻居的重要性。 DOGRE-假设有向图的有向回归。 插入到...
基于GCN的节点分类实战数据.zip
06-28
对于无向图，邻接矩阵是对称的。 3. **初始化GCN**：设置GCN的层数，通常为2-3层，初始化权重矩阵。 4. **前向传播**：通过GCN的层间传播公式计算每一层的节点特征。 5. **分类层**：最后一层的节点特征经过全...
GCN 邻接矩阵的处理.pdf
06-14
gcn邻接矩阵的处理，普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效
从Laplacian矩阵开始，理解GCN.docx
12-11
邻接矩阵是对称的，因为它反映的是无向图，而且对角线上的元素为0，表示节点不与其自身连接。通过一些代数操作，我们可以将这个动态方程转化为涉及度矩阵的形式。度矩阵记录了每个节点的度，即与其相连的边的数量。 ...
GCN论文笔记
myblog
07-11 1416
1.SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS(GCN) 解决的是图结构上的半监督分类问题，只有一部分结点有标签 归一化后的拉普拉斯矩阵,下式中L表示拉普拉斯矩阵，D为度矩阵，A是领接矩阵： 元素级别定义 正则化的拉普拉斯矩阵，Λ是特征值对角矩阵， U为拉普拉斯矩阵L的特征值矩阵。 L=D−AL=D−1/2LD−1/2=D−1/2(D−A)D−1/2=D−1/2DD−1/2−D−1/2AD−1/2=IN−D−1/2
欣小白的点滴 ——图卷积网络（GCN）
xinsunny的博客
09-26 6034
一.基础内容。 1.邻接矩阵 邻接矩阵表示顶点间关系，是n阶方阵（n为顶点数量）。邻接矩阵分为有向图邻接矩阵和无向图邻接矩阵。无向图邻接矩阵是对称矩阵，而有向图的邻接矩阵不一定对称。 2.度矩阵 度矩阵是对角阵，对角上的元素为各个顶点的度。顶点vi的度表示和该顶点相关联的边的数量。无向图中顶点vi的度d(vi)=N(i)。 有向图中，顶点vi的度分为顶点vi的出度和入度，即从顶点vi出去的有向边的数量和进入顶点vi的有向边的数量。 3.特征矩阵 特征矩阵是设 A 是n阶方阵，如果存在数m和非零n维列向
GCN学习笔记
Akagi_的博客
11-13 3535
GCN学习笔记 标签（空格分隔）： machine_learning 给定无向图 G=(V,E)G=(V,E)G=(V,E)，V={v1,v2,...,vn}V=\{v_1,v_2,...,v_n\}V={v1​,v2​,...,vn​}是节点集，E∈V×VE\in V\times VE∈V×V是边集，若节点viv_ivi​和vjv_jvj​之间有边相连则ei,j=1e_{i,j}=1ei,j​...
图神经网络-GCN
weixin_43771204的博客
07-07 1472
GCN
图卷积神经网络GCN原理+图结构学习+GAT+VGAE
cloudless_sky的博客
04-27 8221
https://baijiahao.baidu.com/s?id=1678519457206249337&wfr=spider&for=pc GCN是一种卷积神经网络，它可以直接在图上工作，并利用图的结构信息。 GCN的基本思路：对于每个节点，我们从它的所有邻居节点处获取其特征信息，当然也包括它自身的特征。假设我们使用average()函数。我们将对所有的节点进行同样的操作。最后，我们将这些计算得到的平均值输入到神经网络中。 GCN的主要思想。我们以绿色节点为例。首先，我们取其所有邻居节点
ICLR 2017 | GCN：基于图卷积网络的半监督分类
KI的博客
03-12 5959
ICLR 2017 | GCN：基于图卷积网络的半监督分类
GCN图卷积神经网络
Venna day
07-22 1741
1.图论基础 （1）图是一个顶点集合V和定点间关系的集合E组成的。 记作G=(V,E) （2）完全l部图G=Kn1,n2,...nl(ni=|vi|, 1=<i=<l),显然|v|= （3）图论基础小结 图由顶点的集合和顶点间关系的集合组成。 图有无向图和有向图之分。 图的边上加上权值后为带权图。 度是与顶点相连的边的...
最全面的图卷积网络gcn的理解和详细推导
最新发布
07-15
### 回答1： 图卷积网络（Graph Convolutional Network，GCN）是一种用于处理图结构数据的深度学习模型。其目标是将图结构数据的特征表示学习到一个低维的向量空间中，以便于后续的机器学习任务。 GCN的理解： GCN通过将节点的特征与节点的邻居特征进行聚合来学习节点的表示。具体而言，对于每个节点，GCN会计算其邻居节点的特征的加权平均值，并将其与自身的特征进行融合得到新的特征表示。这样的操作可以通过顶点的邻接矩阵和特征矩阵进行计算，并通过神经网络的参数进行学习。 GCN的详细推导： 给定一个图结构数据，其表示为一个邻接矩阵A和特征矩阵X。假设有N个节点，每个节点的特征维度为D。那么，我们可以得到一个NxN 的邻接矩阵A，其中A(i, j)表示节点i和节点j之间是否存在边。 GCN的第一层可以表示为：H(1) = f(A, X, W(1))，其中f表示一个对特征进行转换的函数，W(1)为第一层神经网络的权重矩阵。 接下来，我们可以定义第k层GCN的表示为：H(k) = f(A, H(k-1), W(k))。在每一层中，GCN都会根据邻居节点的特征和自身的特征进行更新，并得到一个新的特征表示。 最后，我们可以将GCN的输出表示为：Z = softmax(A, H(K), W(K+1))，其中softmax为一个将特征映射为概率分布的函数。 总结来说，GCN通过将节点的特征与邻居节点的特征进行融合来学习节点的表示，通过多层堆叠的方式逐渐提取更高级别的特征。这使得GCN在图结构数据上具有良好的表达能力和预测能力，并已经在社交网络、推荐系统等领域取得了很好的效果。 ### 回答2： 图卷积网络（Graph Convolutional Network，GCN）是一种用于图数据的深度学习方法。它通过在图结构上进行信息传播和特征聚合，实现对节点的分类、预测和表示学习等任务。下面将详细介绍GCN的理解和推导。 首先，GCN的核心思想是利用节点的邻居信息对节点进行更新。GCN假设每个节点的特征表示是它自身特征与邻居节点特征的线性组合，然后通过多层的图卷积操作，逐步聚合更远的邻居信息以获取更丰富的特征表示。 假设有一个无向图G，其中节点数量为N，节点特征维度为D。GCN的第一层图卷积操作可以表示为： H^{(1)} = \sigma(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}XW^{(1)}) 其中， - H^{(1)}表示第一层卷积之后的节点特征表示矩阵，维度为N \times F； - \sigma(\cdot)是一个非线性激活函数，如ReLU； - A是邻接矩阵，表示节点之间的连接关系，维度为N \times N； - \tilde{A} = A + I是增加自连接的邻接矩阵，其中I是单位矩阵； - D是度矩阵，对角线元素D_{ii}表示节点i的度，\tilde{D}^{-1/2}是度矩阵的-1/2次方根的逆矩阵； - X是节点特征矩阵，维度为N \times D； - W^{(1)}是第一层权重矩阵，维度为D \times F。 通过多次迭代，每层的图卷积操作可以表示为： H^{(l+1)} = \sigma(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}H^{(l)}W^{(l)}) 最终，经过L层的图卷积操作后，得到图上节点的最终特征表示矩阵H^{(L)}。可以将其用于节点分类任务、链接预测等。 GCN的推导过程可以通过将图卷积操作与谱图理论联系起来进行。根据谱图理论，邻接矩阵A的特征值分解可以得到其正交归一化的特征向量U和对角矩阵Lambda。然后，可以用U和Lambda来近似表示A的多项式核函数。通过将近似补偿引入卷积操作，就可以得到GCN的推导过程。 综上所述，GCN通过在图结构上进行信息传播和特征聚合，充分利用节点的邻居信息来实现对节点的分类、预测和表示学习等任务。通过多层的图卷积操作，GCN能够融合更远的邻居信息以获取更丰富的特征表示，从而提高了模型的性能。 ### 回答3： 图卷积网络（Graph Convolutional Network, GCN）是一种用于图数据的深度学习模型。与传统的卷积神经网络（Convolutional Neural Network, CNN）专注于处理网格结构的数据不同，GCN专门设计用于处理图结构的数据。 GCN的核心思想是通过迭代地将节点的特征与其邻居节点的特征进行聚合，从而汇聚全局信息并生成节点的新特征表示。这个过程可以表示为以下数学公式： $$ H^{(l+1)} = \sigma\left(D^{-\frac{1}{2}} A D^{-\frac{1}{2}} H^{(l)} W^{(l)}\right) $$ 其中，$H^{(l)}$表示当前层的节点特征矩阵，$A$表示图的邻接矩阵（其中$A_{ij}=1$表示节点$i$和$j$之间有边连接，$A_{ij}=0$表示没有边连接），$D$表示度矩阵，$W^{(l)}$是权重矩阵，$\sigma$是激活函数。 上述公式可以通过以下步骤推导得到： 1. 根据邻接矩阵计算度矩阵：$D_{ii}=\sum_j A_{ij}$ 2. 计算归一化的邻接矩阵：$\tilde{A} = D^{-\frac{1}{2}} A D^{-\frac{1}{2}}$ 3. 使用权重矩阵将当前层的节点特征进行线性变换：$X^{(l+1)} = \tilde{A} X^{(l)} W^{(l)}$ 4. 使用激活函数进行非线性变换：$H^{(l+1)} = \sigma(X^{(l+1)})$ 通过多次迭代以上过程，GCN可以逐渐聚合全局信息并生成节点的丰富特征表示。这些特征可以用于节点分类、链接预测等任务。 总之，GCN是一种能够处理图结构数据的深度学习模型，它通过迭代地聚合节点的邻居特征来学习节点的新表示。通过推导我们可以看到，GCN的关键是使用归一化的邻接矩阵来捕捉节点之间的相互关系，并通过多层网络来逐渐学习更丰富的节点特征表示。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

码匀

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值