一、GCN图卷积神经网络 1.算法创新 卷积神经网络CNN主要应用于图像领域,但CNN处理的数据是具有显著标准的空间结构的,而网络拓扑图的数据并不具有标准空间结构。GCN 是对CNN在图论上的自然推广,GCN理论基础是谱图理论。 本质上,GCN 是谱图卷积的局部一阶近似,可以用于对局部图结构与节点特征信息进行编码生成节点Embedd...
对于卷积神经网络CNN,图片中提取特征,可以采用卷积的方式提取特征。但是对于拓扑结构,只能用其他方法来提取特征。因此使用GCN来提取拓扑结构图中的特征。 1.2 傅立叶变换 傅立叶变换:将一个域的信号转换到另一个域,便于我们分析与运算。 傅立叶变换的性质:原域进行卷积,相当于频域进行相乘,即: 即一个域相乘,相当...
CNN与GCN都是为了拟合一个函数或者一个映射关系,图像数据与一系列的卷积核进行运算,得到我们想要的输出;图数据也是与一系列的权重进行计算得到目标输出。不过有一定区别,假如CNN的卷积核是3x3那么则有9个权重分别与对用的像素加权,GCN则只有1个权重分别于邻居节点加权。可以这样认为,GCN模型的计算量、参数量要比CNN的...
G是Graph,C是卷积,卷积神经网络 一般称作 CNN; CNN的原理是想构造一个小的窗口,然后在窗口里提取一些特征,窗口在图上不断滚动,最后提取一些特点; GCN跟CNN也是类似,它是在Graph上的操作,CNN是在Image上; GCN的背景(Graph Convolutional Networks): AI领域三分天下:计算机视觉CV,自然语言处理NLP,推荐系统 RS 图像...
图卷积神经网络(Graph Convolutional Networks, GCN)是一类专门用于处理图结构数据的神经网络。 GCN的核心思想是将卷积操作扩展到图结构上,通过对每个节点及其邻居节点的信息进行聚合和转换,从而学习节点的表示。这类似于在图像处理中,卷积神经网络(CNN)对每个像素及其邻域进行操作。
CNN也不符合严格数学意义上的卷积定义,CNN和GCN都只是比较契合数据本身的拓扑结构在进行计算。gcn虽然解释的时候是用谱方法解释的,但是已经简化太多了。 作者博客: https://tkipf.github.io/graph-convolutional-networks/ 质疑: https://www.inference.vc/how-powerful-are-graph-convolutions-review-of-kipf-welling...
在这类数据中,每个节点周围的结构可能都是独一无二的,这使得传统的CNN难以应对。为了解决这一问题,图卷积网络(GCN)应运而生。与CNN相似,GCN同样是一个特征提取器,但其处理的对象是图数据。相较于CNN,GCN的创新之处在于它弥补了平移不变性在非矩阵结构数据上的不足,其核心功能便是提取拓扑图的空间特征。
self-attention、non local networks与GCN在公式（1）中可以统一，公式为：其中，[公式] 为node的特征；[公式] 度量两个node之间的相似度；[公式] 归一化；[公式] 为输入特征通道数，[公式] 为输出特征通道数。定义[公式] ，则公式（1）可变为：对比公式（1）和公式（2），其中（1）通过[公式]...
(1)CNN无法处理Non Euclidean Structure的数据,学术上的表达是传统的离散卷积(如问题1中所述)在Non Euclidean Structure的数据上无法保持平移不变性。通俗理解就是在拓扑图中每个顶点的相邻顶点数目都可能不同,那么当然无法用一个同样尺寸的卷积核来进行卷积运算。
第6章 GCN的性质 第5章最后讲到GCN结束的有些匆忙,作为GNN最经典的模型,其有很多性质需要我们去理解。 6.1 GCN与CNN的区别与联系 CNN卷积卷的是矩阵某个区域内的值,图卷积在空域视角下卷的是节点的邻居的值,由此粗略来看二者都是在聚合邻域的信息。 再具体来看一些区别