版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_35564813/article/details/88377400
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
摘要
文章呈现了一种可缩放的半监督学习方法,利用卷积神经网络变种来进行图结构数据的学习。通过spectral graph convolution(谱图卷积)的局部一阶近似来确定卷积网络结构。隐藏层的表示是通过编码局部图结构以及结点特征来进行。
介绍
作者主要贡献:
- 介绍了一个简单且表现良好的层向的传播规则对于神经网络模型
- 证明基于图的神经网络能被快速且可缩放的半监督分类
Graph中的快速卷积
具有以下分层传播规则的多层图形卷积网络(GCN):
- 是带自环的邻接矩阵
- 为权重
谱图论
根据傅立叶转换得到:
但是计算过于昂贵,后续改进,利用切比雪夫多项式得出:
,这个公式是K阶多项式,K代表中央节点与离最远的点K步
首先,我们将分层卷积操作限制为K=1,即关于L是线性的,因此在拉普拉斯谱上有线性函数。然后令
可得:
令 ,又可得:
根据文中提到的 ,此处 以及 ,最终得出:
半监督结点分类
整体思路如下:
误差计算如下:
实验结果
可以参考我的github来看看源代码,如有错误,欢迎交流。