2021年2月17日 · 在这篇博文中会为大家详细地介绍目前使用广泛的图神经网络——图卷积网络 (Graph Convolutional Networks, GCN)的相关知识。 首先将带领大家直觉上感受其工作原理，然后再介绍更深层的数学原理。

Graph neural networks (GNN) are specialized artificial neural networks that are designed for tasks whose inputs are graphs. [1][2][3][4][5] One prominent example is molecular drug design. [6][7][8] Each input sample is a graph representation of a molecule, where atoms form the nodes and chemical bonds between atoms form the edges.

自适应GCN (AGCN)为了探索图拉普拉斯矩阵为指明的隐藏结构， (R. Li, S. Wang, F. Zhu, and J. Huang, “Adaptive graph convolutional neural networks,” in Proceedings of the AAAI Conference on Artificial Intelligence, 2018）提出了自适应图卷积网络 (AGCN)。

本文讲的GCN 来源于论文： SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS，这是在GCN领域最经典的论文之一。 我们可以根据这个GCN的图看到，一个拥有 个input channel的graph作为输入，经过中间的hidden layers，得到 个 output channel的输出。

2016年9月30日 · Multi-layer Graph Convolutional Network (GCN) with first-order filters. Many important real-world datasets come in the form of graphs or networks: social networks, knowledge graphs, protein-interaction networks, the World Wide Web, etc. (just to name a few).

2024年12月25日 · 图卷积网络（Graph Convolutional Network, GCN）是一类专门用于处理图数据的神经网络模型。 它将图的拓扑结构与节点特征结合起来，通过图卷积操作来提取节点之间的关系和特征信息。

2024年11月19日 · 图卷积 神经网络 (Graph Convolutional Networks, GCN)在 2017 年被提出，为了处理“图类型”的数据， GCN不要求输入格式固定。 说白了，这个和网络CNN一样，都是用于提取特征，只不过提取的是图数据的特征。

所以GCN的实质是什么，是在一张Graph Network中特征（Feature）和消息（Message）中的流动和传播！ 这个传播最原始的形态就是状态的变化正比于相应空间（这里是Graph空间）拉普拉斯算子作用在当前的状态。

A Graph Convolutional Network, or GCN, is an approach for semi-supervised learning on graph-structured data. It is based on an efficient variant of convolutional neural networks which operate directly on graphs. The choice of convolutional architecture is motivated via a localized first-order approximation of spectral graph convolutions.

2019年7月7日 · 這篇文章對GCN (Graph Convolutional Network)做了概略的介紹。 CNN的捲積不是數學定義上的連續捲積，而是一種定義的離散捲積。 我們用這種捲積來處理圖像 (image)，從圖像中提取特徵，並且透過神經網路來學習捲積的權重 (weight)。 以下所稱.