图卷积神经网络.图论应用技术报告.pptx

图卷积神经网络（GCN）的半监督学习图论应用技术报告

是什么：什么是GCN图卷积网络是近年来逐渐流行的一种神经网络结构。目前有两种类型的图卷积操作，一种是基于空域的图卷积，另一种是基于谱域的图卷积不同于只能用于网格结构数据的传统网络模型LSTM和CNN，图卷积网络能够处理具有广义拓扑图结构的数据，并深入发掘其特征和规律。

为什么：为什么需要GCN？传统卷积神经网络（CNN）处理的图像或者视频数据中像素点是排列成成很整齐的矩阵，也就是欧式结构（EuclideanStructure）科学研究中还有很多NonEuclideanStructure的数据，社交网络、信息网络中有很多类似的结构。由于CNN无法处理NonEuclideanStructure的数据，又希望在这样的数据结构（拓扑图）上有效地提取空间特征来进行机器学习，所以GCN成为了研究的重点。

怎么样：基于谱方法(spectraldomain)的深度神经网络1.谱方法的理论基础，直接对图结构数据及节点特征进行卷积操作定义为信号(特征)x与卷积核gθ在傅立叶域上的乘积:2.为了缓解计算问题，Hammond提出可以用切比雪夫多项式展开近似卷积核（类似泰勒展开）：

怎么样：基于谱方法(spectraldomain)的深度神经网络每一个卷积层仅处理一阶近似，输入无向图对应的临界矩阵A和节点特征组成的矩阵X得到每一层的特征矩阵其中：1.，A为图的邻接矩阵，I为单位矩阵。表示无向图G的带自环邻接矩阵?2. ，为A的度矩阵，是对角矩阵，对角元为A矩阵对应行的总和这样 表示 的对称归一化矩阵3.H(l)为网络第l层的特征，H(0)=X4.σ为激活函数，例如Sigmoid，tanh，Relu5.W(l)为为第l层的网络权值，该层仅起到特征映射的作用。

怎么样：基于谱方法(spectraldomain)的深度神经网络举例：对一个2层的网络整体模型：标签用Yi表示为输入层-到-隐藏层的权重矩阵，该隐藏层具有HHH个特征映射 为隐藏层-到-输出层的权重矩阵softmax为激活函数最后评估所有标记标签的交叉熵误差

怎么样：基于谱方法(spectraldomain)的深度神经网络相比其他算法，效果及计算时间有明显的改进

动图演示迭代次数与效果

怎么样：基于谱方法(spectraldomain)的深度神经网络对不同问题，统计层数与准确度之间关系在层数为2/3层时，准确性较高

感谢观看参考论文：[1]ThomasN.Kipf，MaxWelling，SEMI-SUPERVISEDCLASSIFICATIONWITHGRAPHCONVOLUTIONALNETWORKS