本文概述了图卷积神经网络（GCN）的基本概念，区别了GCN与图神经网络（GNN）。GCN是通过拉普拉斯算子在非欧空间中实现类似傅里叶变换的卷积操作。文章讨论了拉普拉斯矩阵在图中的应用，以及如何将卷积公式应用于图结构数据。GCN的简化形式在实际应用中减少了计算量，将图节点特征与结构信息相结合。最后，推荐了一篇深入学习GCN的长文。
本文主要介绍图卷积神经网络（GCN）的理解要点与梗概。首先需要指明的是，图卷积神经网络（GCN）与图神经网络（GNN）是有区别的。图神经网络（GNN）可以看作在非欧结构数据上进行特征提取的深度神经网络结构的统称，而图卷积网络（GCN）特指能够使用卷积操作对非欧数据进行特征提取的深度神经网络。在图卷积神经网络（GCN）这一分支中，又能够衍生出许多使用了不同方式实现卷积操作的神经网络。本文主要涉及谱（spectral）方法的图卷积神经网络。
对于卷积操作的定义，在图像领域中是基于傅里叶变换，将两个函数进行卷积的。具体地，参考卷积定理的描述，即：两信号在时域的卷积积分对应于在频域中该两信号的傅立叶变换的乘积。对应于如下公式：
此时我们所涉及的卷积操作是一维卷积操作。进而有卷积公式：
自然地，既然在欧氏空间内，卷积操作可以衍变为频域内的乘积操作，那么在非欧空间内&#
最低0.47元/天 解锁文章
扫一扫
203
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
