「GCN」,这里的 G 就是 Graph,CN 基本上就是 CNN 差不多,是卷积神经网络。其实从名字上分析,我们知道它应该是「图卷积神经网络」。 图卷积神经网络是在图的基础上做了特征的提取,这个特征提取能力对于图的特征提取来说是非常强大的一个武器,把特征提取完以后就可以用于后续的分类任务。 回顾Graph Embedding GCN...
进而定义了graph上的Convolution，最后与深度学习结合提出了Graph Convolutional Network。
从整个研究的时间进程来看:首先研究GSP(graph signal processing)的学者定义了graph上的Fourier Transformation,进而定义了graph上的convolution,最后与深度学习结合提出了Graph Convolutional Network。 基于频域卷积的方法则从图信号处理起家,包括 Spectral CNN, Cheybyshev Spectral CNN(ChebNet), 和 First order of ChebNe...
这其中比较经典的模型有GraphSAGE、Graph Auto-Encoder(GAE)等,GraphSAGE就是一种很好的无监督表示学习的方法,前面已经介绍了,这里就不赘述,接下来将详细讲解后面两个。 Graph Auto-Encoder(GAE)[10] 在介绍Graph Auto-Encoder之前,需要先了解自编码器(Auto-Encoder)、变分自编码器(Variational Auto-Encoder),具体可以...
Graph Convolutional Network(GCN) Graph Convolutional Network中的Graph是指数学(图论)中的用顶点和边建立相应关系的拓扑图。 现实世界中许多数据集都以具有连接关系的不规则图数据的形式体现,比如引文网络、社交关系、知识图谱等等。 将成熟的神经网络模型(如CNN、RNN等)推广应用到图结构数据上是一个 具有挑战性的...
图卷积网络(Graph Convolutional Network,GCN)是近年来逐渐流行的一种神经网络结构。不同于只能用于网格结构(grid-based)数据的传统网络模型 LSTM 和 CNN,图卷积网络能够处理具有广义拓扑图结构的数据,并深入发掘其特征和规律,例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不...
如何理解 Graph Convolutional Network(GCN)? 阳光下没有新鲜事,但是,换个角度看总会看到不一样的景象 傅里叶变换是论文中采用的比较正统的思路(谱域)。不过这些视角对于新人来说可能没那么好理解,空域(不进行傅里叶变换,直接利用相邻节点求卷积)...
网络相似度(Network similarity):衡量两个网络或子网络之间的相似性。 机器学习工作流 在图中,我们不仅有结点的特征(结点的数据),还有图的结构(结点之间是如何进行连接的)。 对于前者,我们很容易可以获得关于每一个结点的数据,但是对于后者,要抽取出关于网络结构的信息并非易事。
图卷积网络的全称为Graph Convolutional Network,即GCN 从图像卷积类比到图结构卷积 通过理解图像卷积,来对图结构卷积进行一个类比 图像卷积的本质其实非常简单,就是将一个像素点周围的像素,按照不同的权重叠加起来,当然这个权重就是我们通常说的卷积核。 其实可以把当前像素点类比做图的节点,而这个节点周围的像素则类...
[2] 图神经网络:The Graph Neural Network Model zhuanlan.zhihu.com/p/85 [3] 图卷积网络(GCN)新手村完全指南 zhuanlan.zhihu.com/p/54 [4] 拉普拉斯矩阵与拉普拉斯算子的关系zhuanlan.zhihu.com/p/85 重磅!忆臻自然语言处理-学术微信交流群已成...