2021年2月17日 · GCN的主要思想是对每个结点的邻居及其自身的信息作加权平均，从而得到一个可以传入神经网络的结果向量。 可以通过加深GCNs以获得更大的信息传播范围，如果要较大的层数，需要残差连接以提升效果。

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 …

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.

GCN 是2016年发表的模型，论文名称是《Semi-Supervised Classification with Graph Convolutional Networks》（图卷积网络的半监督分类）。 参考 《深入浅出图神经网络：GNN原理解析》 中第5章代码。 测试结果. loss和验证集acc曲线. 【实验数据集介绍】 实验使用 Cora数据集，Cora数据集包含 2708 个节点（训练样本）， 5429 条边，总共 7 种类别。 每个节点代表一篇科学出版物，边表示出版物存在引用关系。 数据划分如下： 每个节点的特征向量是由一个 1433 …

2016年9月30日 · Let's take a look at how our simple GCN model (see previous section or Kipf & Welling, ICLR 2017) works on a well-known graph dataset: Zachary's karate club network (see Figure above). We take a 3-layer GCN with randomly initialized weights.

本文是使用 Pytorch Geometric 库来实现常见的图神经网络模型GCN、GraphSAGE和GAT。 在首次加载所需数据时需要从网上下载，如果出现问题可自行下载数据，并创建文件夹将data中有关cora的数据放在下图所示目录中。 Dropout: 训练过程中，为防止模型过拟合，增加其泛化性，会随机屏蔽掉一些神经元，相当于输入每次经过不同的神经元，最终得到不同的模型。 测试模式时，所有神经元共同作用，类似于boosting。 BatchNorm: 训练过程中，模型每次处理一个minibatch …

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)。 以下所稱的捲積都是指這種局部的離散捲積。 CNN捲積有一些特性， (1)平移不變性 (shift-invariance) (2)局部性 (local connectivity) (3)多尺度 (multi-scale) 這些特性，暫且把它們稱作 組合性 (Compositionality)，讓CNN捲積只 …

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 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。

The core of the GCN neural network model is a “graph convolution” layer. This layer is similar to a conventional dense layer, augmented by the graph adjacency matrix to use information about a node’s connections.

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.