GCN学习笔记 _原创精品文档.pdfVIP

GCN学习笔记

很好的翻译：才发现⾃⼰翻译的太渣了，还花了很长时间，呜呜~全当练习英语了

graphs（结构化图）

(,ICLR2014;,2015;,NIPS2015;,ICLR2016;,NIPS2016;,ICLR2017),

someofthemnowachievingverypromisingresultsindomainsthathavepreviouslybeendominatedby,e.g.,kernel-basedmethods,

graph-basedregularizationtechniquesandothers.

Outline

Shortintroductiontoneuralnetworkmodelsongraphs

SpectralgraphconvolutionsandGraphConvolutionalNetworks(GCNs)

Demo:Graphembeddingswithasimple1st-orderGCNmodel使⽤简单的⼀阶GCN模型进⾏图形嵌⼊

GCNsasdifferentiablegeneralizationoftheWeisfeiler-LehmanalgorithmGCN是Weisfeiler-Lehman算法的可微分推⼴

IfyourealreadyfamiliarwithGCNsandrelatedmethods,youmightwanttojumpdirectlyto.

Recentliterature相关⽂献

othersmakeuseofgraphconvolutionsknownfromspectralgraphtheory(,ICLR2014;,2015)todefineparameterizedfilters（参数滤波

器)thatareusedinamulti-layerneuralnetworkmodel多层神经⽹络模型，类似于我们所知道和喜爱的经典“”CNN。

Morerecentworkfocusesonbridgingthegapbetweenfastheuristicsandtheslow,更原则性的谱⽅法。(NIPS2016)approximate

Theyachieveconvincingresultsonregulardomains(likeMNIST),closelyapproachingthoseofasimple2DCNNmodel.Defferrard等⼈。

（NIPS2016）使⽤Chebyshevshpolynomials切⽐雪夫多项式在谱域中*似*滑滤波器，其中⾃由参数是在神经⽹络模型中学习的。它们在

常规域（如MNIST）上取得令⼈信服的结果，与简单的2DCNN模型⾮常接*。

In(ICLR2017)采⽤了⼀种类似的⽅法，从光谱图卷积的框架开始，

inmanycasesallowbothforsignificantlyfastertrainingtimesandhigherpredictiveaccuracy,reachingstate-of-the-artclassificationresults

onanumberofbenchmarkgraphdatasets.然后引⼊简化（我们将在后⾯的⽂章中介绍），在许多情况下允许两者显着加快训练时间更⾼的

预测准确性，在许多基准图数据集上达到最先进的分类结果。

⼀般化CNN、RNN这样的神经⽹络并且将它们应⽤在图结构数据上是⼀个很有挑战性的⼯作。最*有⼀些论⽂提出了针对特定问题的专⽤架

构（⽐如，Duvenaud等,NIPS2015;Liet等,ICLR2016;Jain等,CVPR2016），还有⼀些论⽂运⽤基于谱图理论的图卷积来定义参数化的

滤波器（filter）（Bruna等,ICLR2014;Henaff等,2015），并将它们应⽤在我们熟知的经典多层CNN⽹络中。

另外最*更多的⼯作重点是结合速度快的启发式算法和速度慢但更合理的谱⽅法。Defferrard等