Semi-Supervised Classification With Graph Convolutional Networks

-Theophilus Siameh-2017(2023)

思路

使用可扩展方法对图进行半监督学习，其中CNN应用在图数据上，得到GCN。
这种方法是在图的边的数量上进行线性的缩放模型，并学习包含局部图结构和图节点的几个隐藏层表示。

CNN/GNN

CNN明确可以将某些属性（与图像、视频相关）编码到架构中。神经元以3个维度排列：高度、宽度、深度或颜色通道。将过滤器应用到创建特征图中，该特征图总结了输入中检测到的特征的存在。
GCN假设输入数据是图结构，使用邻接矩阵转换为二进制编码。（不光能用于图结构，还可以用于其他不规则的结构，一种强大的深度学习方法）

基于图的快速近似卷积

考虑具有逐层传播规则的多层图卷积网络GCN，其网络模型为f（X，A）
这种基于Weisfeiler-Lehman算法的传播规则可以作为图上局部谱滤波器的一阶近似的结果。
一、谱图卷积
图上的谱卷积可以定义为每个节点X 的标量与滤波器gθ=diag（θ）的乘积，滤波器gθ=diag（θ）在傅立叶域中由θ