图神经网络-GCN

图卷积神经网络-GCN

原理解释

1. 从图G中，我们有一个邻接矩阵A和一个度矩阵D。同时我们也有特征矩阵X。
2. 邻接矩阵的第一行，节点A与节点E之间有边，得到的矩阵第一行就是与A相连接的E节点的特征向量（如下图）。同理，得到的矩阵的第二行是D和E的特征向量之和，通过这个方法，我们可以得到所有邻居节点的向量之和。
   
3. 此时存在的问题：（1）忽略了节点本身的特征；（2）特征求和的方式导致度很大的节点可能在激活函数（例如sifmoid）出现梯度爆炸。
   对于（1），可在原邻接矩阵基础上加单位矩阵，形成新邻接矩阵和新度矩阵
   
   
   对于（2），通过乘度矩阵逆矩阵抵消度高节点可能的梯度爆炸问题。
   
4. 此时存在问题：每行根据度进行缩放，每列未进行缩放。因此，每列也乘度矩阵逆矩阵进行缩放。
   
5. 在此基础上，认为低度节点会对邻居节点产生更大的影响，高度节点则会产生较低的影响，因为它们的影响力分散在太多的邻居节点上。因此，通过度开平方在缩放时采取加权平均策略。在节点B处聚合邻接节点特征时，我们为节点B本身分配最大的权重（度数为3），为节点E分配最小的权重（度数为5）。
   
   
6. 至此，得到了标准GCN的计算公式。
   

参考

https://baijiahao.baidu.com/s?id=1678519457206249337&wfr=spider&for=pc
https://blog.csdn.net/lcm66/article/details/115308876