图卷积神经网络（GCN）的核心思想： 学习一个映射 f ( . ) f(.) f(.)，通过该映射图中的节点 v i v_i vi可以聚合它自己的特征 x i x_i xi与它的邻居特征 x j ( j ∈ N ( v i ) ) x_j \;(j \in N(v_i)) xj(j∈N(vi))来生成节点的新 v i v_i vi表示。
图卷积本质上是一种aggregation（聚合）操作，是一种局部加权平均运算。在图中"局部"是指他的邻居，简单起见，把有边的权重定义为1，无边的权重定义为0。
基本符号定义
N = 1 , 2 , 3 ⋯ n N=1,2,3\cdots n N=1,2,3⋯n 代表所有节点的编号
X i X_i Xi 代表节点 i i i 的特征向量
A A A 代表邻接矩阵， A i j A_{ij} Aij代表节点 i , j i,j i,j之间的边的权。
D D D 代表图的度的矩阵，是一个对角矩阵（是邻接矩阵的列和或行和），即： D i i = ∑ k = 1 N A i k D_{ii} = \sum_{k=1}^N A_{ik} Dii=∑k=1NAik。
L = D − A L=D-A L=D−A 是图的拉普拉斯矩阵（Laplacian Matrix）。
下面是一个例子（无权图）：
图神经网络的公式定义
这是GCN图卷积层的示意图：
1、基本版本
先仔细思考：通过该映射图中的节点 v i v_i vi可以聚合它自己的特征 x i x_i xi与它的邻居特征 x j ( j ∈ N ( v i ) ) x_j \;(j \in N(v_i)) xj(j∈N(vi))来生成节点的新 v i v_i vi表示 如何将这个过程用数学公式实现？主要包括两个部分：
（1）先聚合邻居特征，最简单的是加权平均法：
a g g r e g a t e ( X i ) = ∑ j ∈ n e i g h b o r ( i ) A i j X j aggregate(\mathbf X_i) = \sum_{j \in neighbor(i)}A_{ij}X_j aggregate(Xi)=j∈neighbor(i)∑AijXj
注：A是带权邻接矩阵。
将其写成矩阵运算（矩阵式聚合）：
a g g r e g a t e ( X i ) = A X aggregate(\mathbf X_i) = \mathbf A \mathbf X aggregate(Xi)=AX
（2）添加自环，加入自己的特征
a g g r e g a t e ( X ) = ( A + I ) X = A X + X a g g r r e g a t e ( X i ) = ∑ j ∈ N A i j X j + X i aggregate(X) = (A+I) X = AX +X \\ aggrregate(X_i) = \sum_{j \in N} A_{ij}X_{j} + X_{i} aggregate(X)=(A+I)X=AX+Xaggrregate(Xi)=
最低0.47元/天 解锁文章
扫一扫
1742
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
