2022年11月20日 · GCN提取图特征的过程有两种理解方式：空域与 频域。 GCN论文. 图中彩色标注部分为强对应关系。 基于原始图，易构造其节点的度矩阵D、 邻接矩阵 A。 根据这些信息可构造如下几种拉普拉斯矩阵L： a. 最简单的构造公式 L=D-A： b. 对称归一化的拉普拉斯矩阵构造公式： 此式中间最长的那行与 三、2 节中step4对应。 拉普拉斯矩阵的特征分解. 我们构造出的拉普拉斯矩阵是半正定矩阵，拥有良好的性质：必能进行特征分解且特征向量两两 正交。

2021年11月16日 · 图神经网络的种类很多，包括图卷积网络 GCN、图注意力网络 GAT、图自编码器 GAE 等。 图 卷积神经网络 网络 Graph Convolutional Network (GCN) 最早是在 2016 年提出，2017 年发表在 ICLR 上。

GCN 的入门文章就介绍完了，大致思路为：CNN 中的卷积无法直接应用于网络图中，所以引出了图信号处理（Graph Signal Processing）中的 Graph Fourier Transformation，进而定义 Graph Convolution，最后结合深度学习发展出来 GCN。

GNN概念： 一个对图上的所有属性可以进行优化的transform，且能够保存图的对称信息，具有三个特点： 5.2. GNN的简单构建： 基于MLP【如图10所示，每一个 f_ {?} 训练不用的向量，分别建立MLP模型（输入size=输出），三个MLP独立进行并形成一个GNN的层，因此将得到一个属性被更新但结构不变的new图】 5.3. GNN最后一层的输出如何得到预测值，分为以下几种情况： A. 情况一： 例如对得到的顶点做简单的预测【见图11，比如两个老师决裂，区分学生属于哪个老 …

2023年10月23日 · GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行 节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到 图的嵌入表示（graph embedding）。 详细可参考： 图卷积神经网络GCN_哔哩哔哩_bilibili. 如上图所示，从右向左分别为0，1，2层，以C为例，C点连接A、B、E、F四个点，对该四个点进行逐元素相加求平均值，上图中的N（v）是个数，此例中就等 …

2023年5月11日 · 本篇文章将从一个更直观的角度对当前经典流行的GNN网络，包括GCN、GraphSAGE、GAT、GAE以及graph pooling策略DiffPool等等做一个简单的小结。 “近年来， 深度学习 领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。 GNN处理非 结构化数据 时的出色能力使其在网络 数据分析 、 推荐系统 、物理建模、 自然语言处理 和图上的组合优化问题方面都取得了新的突破。 图 …

2023年11月24日 · GCN 的入门文章就介绍完了，大致思路为：CNN 中的卷积无法直接应用于网络图中，所以引出了图信号处理（Graph Signal Processing）中的 Graph Fourier Transformation，进而定义 Graph Convolution，最后结合深度学习发展出来 GCN。

2023年1月8日 · GCN的基本思想： 把一个节点在图中的高纬度邻接信息降维到一个低维的向量表示。 GCN的优点： 可以捕捉graph的全局信息，从而很好地表示node的特征。

随着大数据时代的到来，图神经网络（Graph Neural Network，简称 GNN）和图卷积神经网络（Graph Convolutional Network，简称 GCN）作为深度学习领域的重要分支，在处理复杂图形数据时展现出了强大的能力。

2025年1月23日 · GNN作为一个受到MLP和CV中的卷积神经网络的启发，而从深度学习的角度来建模图结构数据的将其作为一个从图数据到目标域的映射，这般的类推是十分朴实的，但是不可避免的需要“具体问题具体分析”——不是一个通用的网络就能够在所有的图相关任务中都 ...