bujiatang的博客

第3篇—卷积图神经网络-Spectral引言背景知识谱域图卷积实现思路数学知识模型介绍SCNNChebNetGCN上一篇介绍了卷积图神经网络的空间域模型，本篇总结谱域的方法及模型。引言经典卷积网络处理的对象是欧式空间中的数据，他们有着序列有序性和维数一致性的特点，即该类网络只能处理固定输入维度的数据并且局部输入数据必须有序，语音、图像、视频等（规则结构）数据满足以上要求，但是并不适用于图结构数据（非欧空间数据）。因为图结构的数据的特点是序列无序性和维数可变性。其中序列无序性是指：下图中红色节点的邻居

第2篇—卷积图神经网络CNN简介ConvGNNsSpectral-based ConvGNN三级目录Spatial-based ConvGNNDCNNPATCHY-SANGraphSAGEGAT本篇介绍ConvGNNs（卷积图神经网络 ），从卷积神经网络（CNN）说起，再引出卷积图神经网络。CNN简介CNN全称为convolutional Neural Networks，译为卷积神经网络。产生原因在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：1、图像需要处理的数据量太大，

第1篇—递归图神经网络RNN简介RNN (Recurrent Neural Networks)LSTM（Long-Short Term Memory）GRU(Gate Recurrent Unit)RecGNN简介GNN*GraphESNGGNNSSE三级目录GNN学习—综述根据一篇GNN综述的论文对GNN进行了大概简要的总结，接下来的一系列文章会对RecGNNs（递归图神经网络 ）、ConvGNNs（卷积图神经网络）、GAEs（图自编码器）、STGNNs（时空图神经网络）分别进行介绍，并列举相应的论文以

第0篇—GNN综述一 GNN产生原因二 GNN发展三 GNN分类3.1 RecGNNs(Recurrent Graph Neural Networks)3.2 ConvGNNs(Convolutional Graph Neural Networks)3.2.1 基于频谱和基于空间的方法3.2.2 用于图分类的ConvGNN3.2.3 用于节点分类的ConvGNN3.3 GAEs(Graph Autoencoders)3.3.1 网络嵌入3.2.2 图生成分布3.4 STGNNs(Spatial-tempor