簡介
卷積神經網(wǎng)絡（CNN）用于“圖（Graph）模型”
要解決的問題
- 給定圖的集合：圖（Graph）的分類（classification）問題和回歸（regression）問題
- 給定一張大圖：圖的表示，節(jié)點類型和缺失邊（edge）的推斷
論文的motivation
CNN處理圖片的過程，可以看作是按照一定順序處理圖片中的像素，處理每個像素時匿刮，會考慮周圍像素點的影響（像素的特征表示）惭蟋，卷積核可以看作是對該像素點做了正則化表示孽文。類比圖問題氓润，可以把每個像素看成是圖的節(jié)點，因此CNN用于圖的處理需要首先解決的兩個問題：1）節(jié)點的處理順序赡突；2）節(jié)點的表示和正則化。
方法梗概
處理過程大概有3步：
1）依據(jù)給圖節(jié)點打標的順序選定節(jié)點序列
2）用節(jié)點的鄰節(jié)點生成子圖区赵，作為該節(jié)點的特征表示
3）節(jié)點特征表示的正則化
之后輸入到卷積神經網(wǎng)絡惭缰。
相關定義
圖：G:=(V,E)，節(jié)點集合V笼才，邊的集合E
圖的矩陣表示：假設V的大小為n漱受，E的大小是m，可用一個n*n的矩陣A表示圖骡送。如果第i各節(jié)點和第j各節(jié)點有鏈接昂羡，則A(i,j)=1絮记，否則A(i,j)=0。這種表示方法的缺點是“維度災難”虐先。
節(jié)點間的路徑（path）：從一個節(jié)點到另一節(jié)點的最短路徑
節(jié)點打標（node labeling）：對每個節(jié)點打標簽
節(jié)點分區(qū)（partition）：相同標簽的節(jié)點組成一個區(qū)
算法
1）選擇節(jié)點序列
2）輸入節(jié)點怨愤，輸入節(jié)點的鄰居
3）輸入節(jié)點，輸出節(jié)點的正則化表示
4）正則化函數(shù)蛹批，處理過程中對鄰居節(jié)點進行了排序
5）完整流程
實驗
見論文原文https://arxiv.org/pdf/1605.05273.pdf
相關連接
1） 基于圖卷積網(wǎng)絡的圖深度學習
2）深度 | 一文概覽圖卷積網(wǎng)絡基本結構和最新進展
3）圖卷積網(wǎng)絡定義和簡單示例詳解
4）GCN的github連接
5）GCN的論文連接
6）GCN作者博客
