GCNS论文总结
主要内容:
一、GCN背景发展
二、Laplacian 矩阵
三、图傅里叶变换
四、GCN卷积实现
五、GCN任务分类/应用
六、谈谈感受
一、GCN背景发展
CNN在图像处理任务中应用广泛,但不能处理graph data(the local translational invariance)。近年来,graph data学习需求日益凸显,谱图、统计分析等Graph Learning理论相继涌现。
随着深度学习的兴起,深度学习模型被引入graph data中,代表性工作是Network Embedding(如DeepWalk、LINE、node2vec),其建模为两阶段问题:(节点分类)为每个节点学习统一长度的表达,节点表达作为输入,训练分类模型。
同时,人们开始用深度学习对图数据进行端到端的建模,GCN则是其中最活跃的一支。
思考1:为什么引入GCN?
二、Laplacian 矩阵
2.1 定义和分类
Graph Fourier Transformation及GCN定义都用到图的Laplacian 矩阵。
G=(V,E)的Laplacian 矩阵定义:L=D−A。
三种常用的Laplacian:
思考:GCN为什么要用Laplacian矩阵?
2.2 Laplacian谱分解(特征分解,对角化)
实对称半正定矩阵。GCN的核心基于Laplacian矩阵谱分解。
或
上述两者等价。
思考3:什么是半正定