2021年2月17日 · gcn是一种能够直接作用于图并且利用其结构信息的卷积神经网络。 这篇文章解决的是在一个图中，只有少部分结点的标签是已知情况下(Semi-supervised learning)的结点分类问题。

GCN 概述. 我们可以根据这个GCN的图看到，一个拥有C 个input channel的graph作为输入，经过中间的hidden layers，得到 F 个 output channel的输出。 图卷积网络主要可以由两个级别的作用变换组成： 注意本文讲的图都特指无向无权重的图。 graph level：

2024年6月21日 · GCNs typically consist of multiple layers, each responsible for refining node embeddings by aggregating information from neighbors at increasing distances. The layers are: Architecture of GCNs. Input Layer: The input layer initializes the node features, usually from raw data or pre-trained embeddings.

2016年9月30日 · The 3-layer GCN now performs three propagation steps during the forward pass and effectively convolves the 3rd-order neighborhood of every node (all nodes up to 3 "hops" away). Remarkably, the model produces an embedding of these nodes that closely resembles the community-structure of the graph (see Figure below).

如下图，是一个两层GCN， 我们可以 \hat {A} 看成一个已知常量矩阵，X代表全图节点特征矩阵。 如果初始有N个节点，每个节点有M个特征，通过大小为 (M,F)的W。 则 \hat {A} (N, N)，X (N, M)和W (M, F)。 (N, N) * (N, C) * (C, F) => (N, F)，将节点特征信息映射到大小为 (N,F)的空间中。 3.5 下游任务. 最后每一个节点，都会聚合周围节点的信息，特征数由最开始的M个变成F个。 再把每个节点F个特征值接上全连接层，就可以做一个简单的节点分类任务。 任务：对图中的每一 …

2016年9月9日 · We present a scalable approach for semi-supervised learning on graph-structured data that is based on an efficient variant of convolutional neural networks which operate directly on graphs. We motivate the choice of our convolutional architecture via a localized first-order approximation of spectral graph convolutions.

GCN的本质目的就是用来提取拓扑图的空间特征。 而图卷积神经网络主要有两类，一类是基于空间域或顶点域vertex domain(spatial domain)的，另一类则是基于频域或谱域spectral domain的。

2023年8月14日 · In this article, we will delve into the mechanics of the GCN layer and explain its inner workings. Furthermore, we will explore its practical application for node classification tasks, using PyTorch Geometric as our tool of choice.

2021年9月8日 · gcn的做法. 直接用神经网络对整个图建模，记为 \(f(x,a)\) ，用图中有标签的那部分数据训练模型。文中的创新之处在于提出了一种逐层传播的模型，能够很方便地处理高阶邻居关系，相比于传统做法，省略了图正则化部分，使的模型更具灵活性，表达能力更强。

2024年11月13日 · 在gcn中，图结构 a a a 不仅是一个简单的约束项，而是作为数据的一部分直接输入到网络中，与节点特征 x x x 一起决定每个节点的输出。这种结合使得gcn在执行任务如节点分类时，能够考虑到每个节点的局部网络环境，从而允许模型捕获和利用节点间的依赖关系。