【网络表示学习】GCN

问题描述

卷积神经网络（CNN）的输入图片是具有欧几里得结构的图结构，具有规则的空间结构，比如图片是规则的正方形栅格，比如语音是规则的一维序列。而这些数据结构能够用一维、二维的矩阵表示，卷积神经网络处理起来很高效。

而广义上的图（graph）是非欧几里得结构，不规则的空间结构。图卷积神经网络就是以某种方式将卷积算子推广到任意图数据上。融合节点特征和图的拓扑结构，利用深度学习生成新的表示的方法。

图卷积神经网络具有卷积神经网络的以下性质

• 局部参数共享：算子适用于每个节点，处处共享
• 感受域正比于层数：最开始，每个节点包含直接邻居的信息，然后把邻居的邻居的信息包含近来。层数越多，感受域越广。

GCN

模型
$$H^{(l+1)}=\sigma ({\tilde{D}}^{-1/2}\tilde{A}{\tilde{D}}^{-1/2}{H}^{(l)}{W}^{(l)})$$
$\tilde{A}=A+I_N$ 是邻接矩阵加上自环，$I_N$ 是单位矩阵，

ChebNet

谱图卷积

图的谱卷积（spectral convoluton）定义为信号$x\in {\mathbb{R}}^{N\times N}$ 与滤波器 $g_\theta ={\rm diag}(\theta) $ 相乘，其中 $\theta \in {\mathbb{R}}^{N\times N}$ 为傅里叶系数向量。
g ⋆ x = U g θ U T